本文提出了一种名为PatchCore的方法，它使用最具代表性的内存库来实现商标标准化的图像检测和本地化。PatchCore在MVTec AD挑战赛中实现了高达99.6％的图像级异常检测AUROC分数，并在其他两个数据集中取得了竞争性结果。

Jun, 2021

本文提出了AeBAD工业异常检测数据集，探讨了当前最优算法在检测测试集中正常样本的领域移位问题，并提出了一种名为MMR的新方法，通过遮蔽重构任务增强模型对正常样本中补丁之间因果关系的推断能力。该方法在AeBAD数据集上表现出优秀的性能。

Apr, 2023

本文介绍了一种新的组件感知异常检测框架 (ComAD)，该框架利用轻量级和几乎不需要训练的无监督语义分割模型将图像分割成多个组件，并通过建模每个组件和它们之间的关系来实现可调节的和逻辑异常检测，该框架在图像级逻辑异常检测方面取得了最新的性能，并且将产品图像分成多个组件提供了一个新的视角，具有在模型定制、噪声抵抗和异常分类方面巨大的潜力。

May, 2023

本研究提出了一种名为ReConPatch的方法，通过训练与预训练模型相关的线性调制来构建判别性特征，采用对比表示学习来以目标为导向地收集和分布特征，实现了无需大量输入增强即可实现强健的异常检测性能。

May, 2023

RealNet网络通过强度可控的扩散过程来生成具有不同异常强度的样本，并通过选择代表性和有区分度的预训练特征子集以及自适应地选择判别性残差来提高异常检测性能。在四个基准数据集上的评估结果显示，与当前最先进方法相比，RealNet在图像AUROC和像素AUROC方面均取得了显著改进。

Mar, 2024

自动化视觉检测在工业生产线上对于提高产品质量至关重要。异常检测方法是实现此目的的强大工具。此论文介绍了一种包含具有挑战性真实缺陷实例的新型实际工业数据集，并提出了一种基于分割的异常检测器，其在该数据集上表现出先进性能。

May, 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

本研究解决了工业异常检测中仅利用正常样本的问题，提出了一种新的检测系统AnomalousPatchCore（APC），该系统通过对正常和异常样本进行微调来优化特征提取器，并建立了记忆库以识别异常特征。研究结果表明，APC在检测异常方面优于当前的最先进系统，对改善工业异常检测具有显著影响。

Aug, 2024

本研究针对工业制造中异常检测面临的数据差异问题，提出了Texture-AD基准数据集，以评估无监督异常检测算法在真实应用中的有效性。该数据集涵盖多种材料和实际生产过程中出现的多种缺陷，推动了工业缺陷检测算法的评估与发展。

Sep, 2024