Texture-AD: 用于真实算法开发的异常检测数据集和基准
本研究介绍了用于无监督异常检测和定位任务的首个综合3D数据集。我们采用高分辨率工业3D传感器获取了10种不同物品类别的深度扫描，并提供了包含各种瑕疵的测试集。研究表明，对于我们的数据集，3D异常检测方法还有很大的提升空间。
Dec, 2021
本文提出了一种名为NDP-Net的无监督重构方法，通过引入多比例判别特征提取模块和基于参考的注意力机制，准确检测各种纹理缺陷并进行多尺度缺陷分割。
Nov, 2022
本文提出了一种用于检测工业纺织品织物结构中瑕疵的自动化处理过程，通过领域泛化异常检测中的特异性学习过程，结合泛化和学习过程的能力，提供了快速而精确的异常检测和分割，实现了领域通用纹理异常检测方法最先进的性能。
Jun, 2023
我们提出了一种以知识蒸馏为基础的方法，专门针对与织物相似的纹理的无监督异常检测挑战。我们的方法旨在重新定义最近引入的反向蒸馏方法，通过编码器-解码器设计来减轻分类器偏差并防止学生重构异常。我们通过在多个纹理数据集（包括MVTEC AD，AITEX和TILDA）进行一系列实验，并在纺织品制造设施获取的数据集上进行实验来展示我们方法在性能和推理速度方面的能力，本文的主要贡献是：一种利用反向知识蒸馏技术的鲁棒纹理异常检测器，适用于异常检测和领域泛化，以及一个包含各种织物和缺陷的新数据集。
Jan, 2024
本研究提出了一种以目标特定嵌入为核心的新方法，通过引入人工生成的有缺陷样本和无缺陷样本，使用对比训练过程捕捉待考虑纹理的最具代表性特征，并利用表面的内在性质，从无缺陷样本中推导出有意义的表示，从而实现了对异常得分的简单而有效的计算。通过在MVTEC AD和TILDA数据集上进行的实验，验证了我们的方法与最先进方法的竞争力。
Mar, 2024
使用全局正则化邻域回归（GRNR）方法，无需训练数据或成本，从测试纹理图像中提取局部邻域先验和全局正常先验以进行异常检测，并在各种工业场景中验证了该方法的有效性。
Jun, 2024
近年来，质量控制领域不断利用视频摄像和图像处理集成来进行有效的缺陷检测。然而，开发和改进自动缺陷检测模型所需的带有注释缺陷的全面数据集稀缺，阻碍了进展。本系统性综述涵盖2015年至2023年，鉴别15个公开可用的数据集并对其进行关键评估，以评估其用于基准测试和模型开发的有效性和适用性。研究结果揭示了各种数据集的多样化情况，如NEU-CLS，NEU-DET，DAGM，KolektorSDD，PCB Defect Dataset和空心圆柱缺陷检测数据集，每个数据集在图像质量、缺陷类型表示和实际应用方面都有其独特的优势和局限性。本系统性综述的目标是将这些数据集整合到一个地方，为寻找此类公开可用资源的研究人员提供全面参考。
Jun, 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
本研究针对工业异常检测中常用方法未能利用异常样本信息的不足，提出了新颖的AnomalousPatchCore（APC）系统。通过对特征提取器进行精细调优并设立辅助任务，APC在MVTec数据集上展现了优于现有技术的检测精度，显著提升了异常检测的效率与准确性。
Aug, 2024