在實際的工業(yè)質(zhì)量檢測工作中，如何快速發(fā)現(xiàn)產(chǎn)品的異常區(qū)域是業(yè)內(nèi)人士需要關(guān)注的重點，而在這一領(lǐng)域，目標(biāo)檢測發(fā)揮著重要的作用。

為了更高效地解決工業(yè)場景中的這一問題，近年來工業(yè)異常檢測出現(xiàn)了許多值得一看的突破性成果，學(xué)姐簡單整理了一部分，今天就來和同學(xué)們分享分享。

目前共有18篇，都是各大頂會（CVPR、ICLR等）中的高分論文，建議想發(fā)頂會的同學(xué)仔細(xì)研讀。

掃碼添加小享，回復(fù)“工業(yè)異常檢測”

免費領(lǐng)取全部論文+代碼合集

1.Deep Learning for Unsupervised Anomaly Localization in Industrial Images: A Survey

工業(yè)圖像無監(jiān)督異常檢測中的深度學(xué)習(xí)：一份調(diào)查

簡述：本文對基于深度學(xué)習(xí)的工業(yè)圖像無監(jiān)督異常定位方法進(jìn)行全面調(diào)研，內(nèi)容涵蓋異常定位的概念、挑戰(zhàn)、分類、數(shù)據(jù)集、算法比較等。通過回顧已有成就，預(yù)測未來研究方向，為工業(yè)異常定位和其他領(lǐng)域異常檢測研究提供詳細(xì)技術(shù)參考。

2.MemSeg: A semi-supervised method for image surface defect detection using differences and commonalities

MemSeg：一種利用差異性和共性的半監(jiān)督圖像表面缺陷檢測方法

簡述：MemSeg利用半監(jiān)督學(xué)習(xí)檢測圖像表面缺陷，在訓(xùn)練階段，明確學(xué)習(xí)正常與模擬異常樣本差異，獲得穩(wěn)健分類面，同時用記憶池存儲正常模式。在推理階段，端到端判斷異常區(qū)域。該方法在MVTec AD數(shù)據(jù)集上實現(xiàn)最優(yōu)效果，并具有推理速度優(yōu)勢。

3.Image Anomaly Detection and Localization with Position and Neighborhood Information

基于位置和鄰域信息的圖像異常檢測與定位

簡述：論文提出了一種新的基于條件概率的異常檢測和定位方法，在對正常特征分布建模時，考慮了特征的位置和鄰域信息的影響，利用多層感知機(jī)網(wǎng)絡(luò)對給定鄰域特征的條件概率進(jìn)行建模。利用位置信息構(gòu)建每個位置的代表性特征直方圖。該方法不僅是簡單將異常度圖調(diào)整到輸入圖像分辨率，而是訓(xùn)練了一個額外的精煉網(wǎng)絡(luò)，在考慮輸入圖像的形狀和邊緣的情況下進(jìn)行更好的插值。

4.SimpleNet: A Simple Network for Image Anomaly Detection and Localization

SimpleNet: 用于圖像異常檢測和定位的簡單網(wǎng)絡(luò)

簡述：該文提出了一個稱為 SimpleNet 的簡單且適用于應(yīng)用的網(wǎng)絡(luò)，用于檢測和定位異常情況。主要思路：1)使用預(yù)訓(xùn)練特征提取器提取局部特征，2)使用淺層特征適配器遷移特征到目標(biāo)域，3)使用簡單的異常特征生成器通過添加噪聲生成異常特征，4)使用二進(jìn)制判別器區(qū)分正常和異常特征。

5.Multimodal Industrial Anomaly Detection via Hybrid Fusion

基于混合融合的多模式工業(yè)異常檢測

簡述：這篇論文提出了一種新的多模態(tài)工業(yè)異常檢測方法Multi-3D-Memory(M3DM)，通過混合融合點云和RGB圖像兩種模態(tài)的數(shù)據(jù)，首先使用無監(jiān)督特征融合和局部對比學(xué)習(xí)來增進(jìn)不同模態(tài)特征的交互，然后使用決策層融合、多個記憶庫和額外的新穎性分類器進(jìn)行最終決策。論文還提出了點特征對齊操作來更好地對齊兩種模態(tài)的數(shù)據(jù)。

6.Masked Swin Transformer Unet for Industrial Anomaly Detection

用于工業(yè)異常檢測的Swin transformer Unet

簡述：論文提出了用于工業(yè)異常檢測的Swin transformer Unet，該方法首先在無異常樣本上利用異常模擬和蒙版策略生成模擬異常，然后利用Swin Transformer的全局學(xué)習(xí)能力預(yù)測蒙版區(qū)域，最后采用卷積Unet網(wǎng)絡(luò)進(jìn)行端到端異常檢測。

7.Towards Total Recall in Industrial Anomaly Detection

面向全召回率的工業(yè)異常檢測

簡述：在大規(guī)模工業(yè)制造中，識別缺陷零部件至關(guān)重要。本文解決"冷啟動問題"，僅使用正常圖像來建模。論文提出PatchCore，利用最具代表性的正常圖像塊特征，實現(xiàn)了卓越的檢測和定位性能。在MVTec AD基準(zhǔn)測試上，PatchCore的異常檢測表現(xiàn)超過了其他方法。

8.DeSTSeg: Segmentation Guided Denoising Student-Teacher for Anomaly Detection

DeSTSeg: 分割引導(dǎo)去噪師生模型用于異常檢測

簡述：論文提出了DeSTSeg模型，結(jié)合了師生學(xué)習(xí)和分割任務(wù)，通過去噪學(xué)生網(wǎng)絡(luò)和分割網(wǎng)絡(luò)，實現(xiàn)了更好的性能。該模型在工業(yè)檢測數(shù)據(jù)集上達(dá)到了98.6%的圖像級AUC，75.8%的像素級平均精度，以及76.4%的實例級平均精度，表現(xiàn)領(lǐng)先。

9.AnomalyGPT: Detecting Industrial Anomalies using Large Vision-Language Models

AnomalyGPT: 使用大型視覺-語言模型檢測工業(yè)異常

簡述：大型視覺-語言模型（LVLMs）如MiniGPT-4和LLaVA擅長圖像理解，但在工業(yè)異常檢測中仍存在挑戰(zhàn)。傳統(tǒng)方法需要手動設(shè)置閾值，限制了實際應(yīng)用。針對此問題，論文提出了AnomalyGPT，基于LVLM，通過模擬異常圖像和文本描述的訓(xùn)練數(shù)據(jù)自動檢測異常。該模型僅需一個正常樣本，準(zhǔn)確度達(dá)到86.1%，在MVTec-AD數(shù)據(jù)集上表現(xiàn)最佳。

掃碼添加小享，回復(fù)“工業(yè)異常檢測”

免費領(lǐng)取全部論文+代碼合集

10.WinCLIP: Zero-/Few-Shot Anomaly Classification and?Segmentation

WinCLIP: 零/少樣本異常分類和分割

簡述：論文提出了基于窗口的CLIP（WinCLIP），具有(1) 對狀態(tài)詞和提示模板的組合集成以及(2) 與文本對齊的窗口/圖像級特征的高效提取和匯總。作者還提出了它的少正常樣本擴(kuò)展WinCLIP+，利用正常圖像的補(bǔ)充信息。在MVTec-AD（和VisA）數(shù)據(jù)集上的實驗結(jié)果證明，WinCLIP大幅領(lǐng)先最新的研究成果。

11.Explicit Boundary Guided Semi-Push-Pull Contrastive Learning for Supervised Anomaly Detection

用于監(jiān)督的顯式邊界引導(dǎo)半推拉對比學(xué)習(xí)

簡述：論文提出了一種明確邊界引導(dǎo)的半推拉對比學(xué)習(xí)方法，用于監(jiān)督式異常檢測。該方法可以提高模型的區(qū)分能力，同時減輕由已知異常引起的偏見問題。作者使用少量已知異常來訓(xùn)練模型，以便有效檢測已知和未知異常，通過明確的邊界形成更有效的決策邊界。

12.Revisiting Reverse Distillation for Anomaly Detection

用于異常檢測的逆向蒸餾技術(shù)

簡述：本段概括了Anomaly detection在大規(guī)模工業(yè)制造中的重要應(yīng)用。最近的方法雖然準(zhǔn)確度很高，但存在延遲的權(quán)衡。像PatchCore和Coupled-hypersphere-based Feature Adaptation (CFA)這樣依賴內(nèi)存的方法性能突出，但需要外部內(nèi)存庫，大大增加了執(zhí)行時間。而采用逆向Distillation (RD)的方法在保持低延遲的同時仍能取得不錯的性能。

13.Collaborative Discrepancy Optimization for Reliable Image Anomaly Localization

圖像異常定位的協(xié)作差異優(yōu)化

簡述：為減輕過度泛化，本文提出與合成異常協(xié)作優(yōu)化正常和異常特征分布，即協(xié)作差異優(yōu)化(CDO)。CDO引入了邊際優(yōu)化模塊和重疊優(yōu)化模塊，優(yōu)化決定定位性能的兩個關(guān)鍵因素，即正常和異常樣本的差異分布之間的邊際和重疊。通過CDO，正常和異常差異分布之間獲得了較大的邊際和較小的重疊，提高了預(yù)測的可靠性。

14.Pushing the Limits of Fewshot Anomaly Detection in Industry Vision: Graphcore

推動工業(yè)視覺中少樣本異常檢測的極限：Graphcore

簡述：在工業(yè)視覺的少樣本異常檢測任務(wù)中，作者提出了一種新的基于圖的模型GraphCore，利用旋轉(zhuǎn)不變的視覺特征(VIIF)來提高異常鑒別能力。GraphCore通過VIIF實現(xiàn)了快速的無監(jiān)督FSAD訓(xùn)練，相比其他SOTA方法，可以顯著提升1-8 shot的異常檢測性能，在真實工業(yè)數(shù)據(jù)集上平均提升AUC 5-25%。

15.A Survey of Methods for Automated Quality Control Based on Images

基于圖像的自動質(zhì)量控制方法綜述

簡述：圖像質(zhì)量控制在工業(yè)生產(chǎn)中起著重要作用。然而，長期以來這一問題沒有得到計算機(jī)視覺領(lǐng)域的重視。近年來，隨著公開可用數(shù)據(jù)集的推動，各種用于檢測工件異常和缺陷的方法層出不窮。在本綜述中，作者介紹了40多種在該任務(wù)上取得最佳結(jié)果的方法。通過全面基準(zhǔn)測試，作者指出需要更多的數(shù)據(jù)集和評估指標(biāo)來推動該領(lǐng)域的發(fā)展。此外，論文強(qiáng)調(diào)了各種方法的優(yōu)缺點，討論了研究空白和未來的研究方向。

16.Diversity-Measurable Anomaly Detection

可測量多樣性的異常檢測

簡述：論文提出了DMAD框架進(jìn)行異常檢測，通過金字塔形變模塊建模正常模式的多樣性，并估計形變場來可靠地檢測異常，避免對異常過度泛化。實驗表明DMAD可以有效處理正常樣本多樣性與抑制異常泛化之間的權(quán)衡問題。

17.Anomaly Clustering: Grouping Images into Coherent Clusters of Anomaly Types

異常聚類：將圖像歸組為連貫的異常類型簇

簡述：論文研究了異常聚類問題，提出使用基于patch的預(yù)訓(xùn)練深度嵌入和現(xiàn)成聚類方法的簡單有效框架，定義了一種可以突出缺陷區(qū)域的加權(quán)平均嵌入距離函數(shù)。實驗結(jié)果顯示，在MVTec數(shù)據(jù)集上該方法顯著優(yōu)于基準(zhǔn)和當(dāng)前最好的深度聚類方法。

18.Prototypical Residual Networks for Anomaly Detection and Localization

用于異常檢測和定位的原型殘差網(wǎng)絡(luò)

簡述：論文提出了原型殘差網(wǎng)絡(luò)(PRN)框架，通過學(xué)習(xí)不同尺度和大小的異常和正常模式之間的特征殘差，來精確重構(gòu)異常區(qū)域的分割圖。PRN主要包含兩部分：多尺度原型明確表示異常與正常模式之間的殘差特征，多尺寸自注意力機(jī)制學(xué)習(xí)可變大小的異常特征。另外，作者還提出多種異常生成策略，考慮見過和未見過的外觀變化，擴(kuò)大和增多異常。

掃碼添加小享，回復(fù)“工業(yè)異常檢測”

免費領(lǐng)取全部論文+代碼合集