本文介绍了用于工业视觉检测的一个方案，该方案使用CLIP模型和多个存储器来实现无标准参考图像的零射和少射跟踪，从而实现对大量产品类型的快速自适应，并在VAND 2023挑战赛中获得了一等奖。

May, 2023

提出了一种基于扩散的少样本异常生成模型，利用大规模数据集中学习到的潜在扩散模型的强优先信息，增强生成的真实性，并通过创新的自适应注意力重新加权机制提高生成异常图像和异常遮罩之间的对齐，实现了准确匹配的异常图像-遮罩对，从而显著提高异常检测任务的性能。

Dec, 2023

本研究介绍了一种用于逻辑异常检测的新型组件分割模型，利用少量的标记样本和共享逻辑约束的未标记图像。通过采用直方图匹配损失和熵损失来确保未标记图像上的一致分割，提出了增强局部和全局样本有效性检测的方法，并通过三个记忆库(类别直方图、组件构成嵌入和块级别表示)捕捉视觉语义的关键方面。为了有效检测逻辑异常，提出了一种自适应缩放策略，以规范不同记忆库中的异常得分。在公共基准MVTec LOCO AD上进行的大量实验证明相较于竞争方法的89.6%，我们的方法在逻辑异常检测中获得了98.1%的AUROC。

Dec, 2023

介绍了一种针对工业异常检测中缺乏缺陷样本的挑战的新算法，利用扩充缺陷样本来提高异常检测性能。该方法通过在潜在空间中生成缺陷样本的扩散模型，并通过一个特征编辑过程对其进行优化，采用三阶段的图像生成推理策略，生成高质量、多样化的缺陷样本，从而显著提高了基于扩充训练集的异常检测的准确性。在广泛认可的MVTec AD数据集上，该方法将其异常检测的表现提升了1.5％，1.9％和3.1％的AP、IAP和IAP90指标。

Feb, 2024

本文提出了一种创新的多类异常检测方法，通过将扩散模型和变换器相结合，利用扩散获取高频信息以解决模糊重建问题，引入双重调节以保证准确性，采用时空融合以提升性能，实验证明该方法在多类异常检测方面表现卓越。

Jul, 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

利用人机互动的方式进行零样本生成，增强了结果的可解释性和人类反馈环路的鲁棒性，同时避免了耗时的微调过程，展示了在KSDD2数据集上与先进的数据增强方法相比，AP提升约18%（当有正样本时）和28%（当正样本缺失时）的显著优势。

Jul, 2024

本研究解决了工业制造中异常检查中异常数据稀缺的问题，通过提出一种新颖的双相互关联扩散模型DualAnoDiff，同时生成整体图像及其相应的异常部分。该模型在少样本异常图像生成中有效提升了生成图像的多样性与真实感，显著提高了下游异常检测任务的性能。

Aug, 2024

本研究针对工业制造中异常检查受限于异常数据稀缺的问题，提出了一种新颖的方法DualAnoDiff，通过双重相互关联的扩散模型生成多样化和真实的异常图像。我们的模型显著提升了下游异常检测任务的性能，包括异常检测、异常定位和异常分类。

Aug, 2024

本研究解决了制造业中自动图像异常检测的挑战，尤其是在可用正常样本极少或没有的情况下。提出的FADE引擎利用优化后的CLIP模型，通过多尺度图像补丁嵌入和自动生成与工业异常检测相关的文本提示，显著提升了零样本和少样本情况下的异常检测效果。实验结果显示，FADE在MVTec-AD和VisA数据集上在异常分割中表现优于现有的最先进方法。

Aug, 2024