GeneralAD: 通过关注扭曲特征进行跨领域异常检测
利用大型视觉语言模型(LVLMs)解决工业异常检测(IAD)问题的关键在于提出了一种基于LVLM的新型IAD方法AnomalyGPT,通过模拟异常图像以及为每个图像生成对应的文本描述来生成训练数据,并利用图像解码器提供细粒度语义和设计,通过启示式嵌入fine-tune LVLM,消除了手动阈值调整的需求,直接评估异常的存在和位置,在MVTec-AD数据集上实现了86.1%的准确率,94.1%的图像级AUC和95.3%的像素级AUC。
Aug, 2023
ProtoAD是一种基于原型的神经网络,用于图像异常检测和定位,通过提取正常图像的补丁特征,并通过非参数聚类学习正常补丁特征的原型,构建了图像异常定位网络ProtoAD,无需训练阶段即可进行端到端的异常检测和定位。
Oct, 2023
开放式监督异常检测(OSAD)是一个新兴的异常检测领域,旨在利用在训练期间观察到的少量异常类样本来检测未见的异常(即来自开放式异常类的样本),同时有效识别已观察到的异常。本文提出了一种使用有限异常样本学习异构异常分布的方法,命名为Anomaly Heterogeneity Learning(AHL),以解决这个问题。AHL能够模拟各种异构(已见和未见)异常分布,并利用它们学习一个统一的异构异常模型。此外,AHL是一个通用框架,现有的OSAD模型可以插入和应用,以增强其异常建模能力。大量实验结果表明AHL能够显著增强不同最先进的OSAD模型在检测已见和未见的异常方面的性能,在多个数据集上达到新的最先进水平,并且能够有效地推广到新目标领域中的未见异常。
Oct, 2023
提出了一种应用视觉专家进行工业异常检测的新型大型多模型(Myriad)模型,通过使用视觉专家的先验知识嵌入到大型语言模型中,实现了明确的异常检测和高质量的异常描述。
Oct, 2023
这篇论文探讨了工业多模态异常检测任务,利用点云和RGB图像来定位异常。我们介绍了一种新颖且快速的框架,它学习将一个模态中的特征映射到另一个模态的正常样本上。在测试时,通过定位观察到的特征和映射特征之间的不一致性来检测异常。大量实验证明,我们的方法在MVTec 3D-AD数据集的标准和少样本设置中实现了最先进的检测和分割性能,同时实现了更快的推理速度和更低的内存占用,优于先前的多模态异常检测方法。此外,我们提出一种层裁剪技术,在性能上略有损失的同时提高了内存和时间效率。
Dec, 2023
最近的无监督异常检测方法往往依赖于使用辅助数据集预先训练的特征提取器或经过精心设计的异常模拟样本,然而,这可能限制它们适应日益增多的异常检测任务的能力,因为辅助数据集的选择或异常模拟策略中存在先验条件。为了解决这个挑战,我们首先引入了一个无先验异常生成范式,随后在此基础上开发了一种名为GRAD的创新的无监督异常检测框架。GRAD包括三个关键组成部分:(1)一个扩散模型(PatchDiff),通过保留局部结构而忽略正常图像中存在的全局结构,生成对比模式;(2)一种自监督加权机制来处理PatchDiff生成的长尾和无标签对比模式的挑战;(3)一个轻量级的基于补丁的检测器,以有效区分正常模式和重新加权的对比模式。PatchDiff生成的结果有效地暴露了各种类型的异常模式,例如结构和逻辑异常模式。此外,在MVTec AD和MVTec LOCO数据集上进行的大量实验证明了前述观察结果,并展示了GRAD在异常检测准确性和推理速度方面的竞争力。
Dec, 2023
本研究提出了一种新的异常检测方法GRAD,通过将空间特征转换为坐标并映射到连续网格,成功地在“连续”特征空间中表示正常特征,并通过融合局部和全局正常特征来有效地处理不同类别的对象,实验证明GRAD在多类统一异常检测方面降低了65.0%的误差。
Feb, 2024
提出了一种用于少样本异常检测的单类提示学习方法PromptAD,在语义拼接和明确异常边界的基础上,通过自动学习提示来改进工业异常检测任务。在MVTec和VisA数据集的11/12个few-shot环境中,PromptAD在图像级/像素级异常检测中取得第一名。
Apr, 2024
在工业质量检验中,检测异常数据是一个持久存在的障碍。本文介绍了一种新的领域概括方法,能够训练带有稀疏正常数据的异常检测模型,并能够在之前未见过的对象上检测相同类型的异常。通过生成新的数据集,改进了现有的MVTec AD数据集,并使用两种基于嵌入的方法 SEMLP 和 Labeled PatchCore 进行了设计。整体上,SEMLP取得了最佳的性能表现,图像级平均AUROC为87.2%。这些新的数据集可以为改进工业异常检测的进一步研究提供基础。
Jul, 2024
本研究解决了工业制造中异常检测面临的正常数据稀缺问题,传统方法通常需要大量正常数据进行训练。我们提出了一种基于稳定扩散(SD)模型的少量样本多类别异常检测框架AnomalySD,通过设计层次化文本描述和前景掩蔽机制来优化模型,在MVTec-AD和VisA数据集上的实验结果显示,该方法在异常分类和分割方面具有显著优势,分别达到了93.6%和94.8%的AUROC。
Aug, 2024