【计算机视觉】顶会精选！工业异常检测最新SOTA方案分享！

在实际的工业质量检测工作中，如何快速发现产品的异常区域是业内人士需要关注的重点，而在这一领域，目标检测发挥着重要的作用。

为了更高效地解决工业场景中的这一问题，近年来工业异常检测出现了许多值得一看的突破性成果，我简单整理了一部分，今天就来和同学们分享分享。

目前共有18篇，都是各大顶会（CVPR、ICLR等）中的高分论文，建议想发小论文的同学仔细研读。争取早日出文章。

一、Deep Learning for Unsupervised Anomaly Localization in Industrial Images: A Survey

工业图像无监督异常检测中的深度学习综述

「简述：」本文对基于深度学习的工业图像无监督异常定位方法进行全面调研，内容涵盖异常定位的概念、挑战、分类、数据集、算法比较等。通过回顾已有成就，预测未来研究方向，为工业异常定位和其他领域异常检测研究提供详细技术参考。

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

MemSeg：一种利用差异性和共性的半监督图像表面缺陷检测方法

「简述：」MemSeg利用半监督学习检测图像表面缺陷，在训练阶段，明确学习正常与模拟异常样本差异，获得稳健分类面，同时用记忆池存储正常模式。在推理阶段，端到端判断异常区域。该方法在MVTec AD数据集上实现最优效果，并具有推理速度优势。

三、Image Anomaly Detection and Localization with Position and Neighborhood Information

基于位置和邻域信息的图像异常检测与定位

「简述：」论文提出了一种新的基于条件概率的异常检测和定位方法，在对正常特征分布建模时，考虑了特征的位置和邻域信息的影响，利用多层感知机网络对给定邻域特征的条件概率进行建模。利用位置信息构建每个位置的代表性特征直方图。该方法不仅是简单将异常度图调整到输入图像分辨率，而是训练了一个额外的精炼网络，在考虑输入图像的形状和边缘的情况下进行更好的插值。

四、SimpleNet: A Simple Network for Image Anomaly Detection and Localization

SimpleNet: 用于图像异常检测和定位的简单网络

「简述：」该文提出了一个称为 SimpleNet 的简单且适用于应用的网络，用于检测和定位异常情况。主要思路：1)使用预训练特征提取器提取局部特征，2)使用浅层特征适配器迁移特征到目标域，3)使用简单的异常特征生成器通过添加噪声生成异常特征，4)使用二进制判别器区分正常和异常特征。

五、Multimodal Industrial Anomaly Detection via Hybrid Fusion

基于混合融合的多模式工业异常检测

「简述：」这篇论文提出了一种新的多模态工业异常检测方法Multi-3D-Memory(M3DM)，通过混合融合点云和RGB图像两种模态的数据，首先使用无监督特征融合和局部对比学习来增进不同模态特征的交互，然后使用决策层融合、多个记忆库和额外的新颖性分类器进行最终决策。论文还提出了点特征对齐操作来更好地对齐两种模态的数据。

六、Masked Swin Transformer Unet for Industrial Anomaly Detection

用于工业异常检测的Swin transformer Unet

「简述：」论文提出了用于工业异常检测的Swin transformer Unet，该方法首先在无异常样本上利用异常模拟和蒙版策略生成模拟异常，然后利用Swin Transformer的全局学习能力预测蒙版区域，最后采用卷积Unet网络进行端到端异常检测。

七、Towards Total Recall in Industrial Anomaly Detection

面向全召回率的工业异常检测

「简述：」在大规模工业制造中，识别缺陷零部件至关重要。本文解决"冷启动问题"，仅使用正常图像来建模。论文提出PatchCore，利用最具代表性的正常图像块特征，实现了卓越的检测和定位性能。在MVTec AD基准测试上，PatchCore的异常检测表现超过了其他方法。

八、DeSTSeg: Segmentation Guided Denoising Student-Teacher for Anomaly Detection

DeSTSeg: 分割引导去噪师生模型用于异常检测

「简述：」论文提出了DeSTSeg模型，结合了师生学习和分割任务，通过去噪学生网络和分割网络，实现了更好的性能。该模型在工业检测数据集上达到了98.6%的图像级AUC，75.8%的像素级平均精度，以及76.4%的实例级平均精度，表现领先。

九、AnomalyGPT: Detecting Industrial Anomalies using Large Vision-Language Models

AnomalyGPT: 使用大型视觉-语言模型检测工业异常

「简述：」大型视觉-语言模型（LVLMs）如MiniGPT-4和LLaVA擅长图像理解，但在工业异常检测中仍存在挑战。传统方法需要手动设置阈值，限制了实际应用。针对此问题，论文提出了AnomalyGPT，基于LVLM，通过模拟异常图像和文本描述的训练数据自动检测异常。该模型仅需一个正常样本，准确度达到86.1%，在MVTec-AD数据集上表现最佳。

十、WinCLIP: Zero-/Few-Shot Anomaly Classification and Segmentation

WinCLIP: 零/少样本异常分类和分割

「简述：」论文提出了基于窗口的CLIP（WinCLIP），具有(1) 对状态词和提示模板的组合集成以及(2) 与文本对齐的窗口/图像级特征的高效提取和汇总。作者还提出了它的少正常样本扩展WinCLIP+，利用正常图像的补充信息。在MVTec-AD（和VisA）数据集上的实验结果证明，WinCLIP大幅领先最新的研究成果。

十一、Explicit Boundary Guided Semi-Push-Pull Contrastive Learning for Supervised Anomaly Detection

用于监督的显式边界引导半推拉对比学习

「简述：」论文提出了一种明确边界引导的半推拉对比学习方法，用于监督式异常检测。该方法可以提高模型的区分能力，同时减轻由已知异常引起的偏见问题。作者使用少量已知异常来训练模型，以便有效检测已知和未知异常，通过明确的边界形成更有效的决策边界。

十二、Revisiting Reverse Distillation for Anomaly Detection

用于异常检测的逆向蒸馏技术

「简述：」本段概括了Anomaly detection在大规模工业制造中的重要应用。最近的方法虽然准确度很高，但存在延迟的权衡。像PatchCore和Coupled-hypersphere-based Feature Adaptation (CFA)这样依赖内存的方法性能突出，但需要外部内存库，大大增加了执行时间。而采用逆向Distillation (RD)的方法在保持低延迟的同时仍能取得不错的性能。

十三、Collaborative Discrepancy Optimization for Reliable Image Anomaly Localization

图像异常定位的协作差异优化

「简述：」为减轻过度泛化，本文提出与合成异常协作优化正常和异常特征分布，即协作差异优化(CDO)。CDO引入了边际优化模块和重叠优化模块，优化决定定位性能的两个关键因素，即正常和异常样本的差异分布之间的边际和重叠。通过CDO，正常和异常差异分布之间获得了较大的边际和较小的重叠，提高了预测的可靠性。

十四、Pushing the Limits of Fewshot Anomaly Detection in Industry Vision: Graphcore

推动工业视觉中少样本异常检测的极限：Graphcore

「简述：」在工业视觉的少样本异常检测任务中，作者提出了一种新的基于图的模型GraphCore，利用旋转不变的视觉特征(VIIF)来提高异常鉴别能力。GraphCore通过VIIF实现了快速的无监督FSAD训练，相比其他SOTA方法，可以显著提升1-8 shot的异常检测性能，在真实工业数据集上平均提升AUC 5-25%。

十五、A Survey of Methods for Automated Quality Control Based on Images

基于图像的自动质量控制方法综述

「简述：」图像质量控制在工业生产中起着重要作用。然而，长期以来这一问题没有得到计算机视觉领域的重视。近年来，随着公开可用数据集的推动，各种用于检测工件异常和缺陷的方法层出不穷。在本综述中，作者介绍了40多种在该任务上取得最佳结果的方法。通过全面基准测试，作者指出需要更多的数据集和评估指标来推动该领域的发展。此外，论文强调了各种方法的优缺点，讨论了研究空白和未来的研究方向。

十六、Diversity-Measurable Anomaly Detection

可测量多样性的异常检测

「简述：」论文提出了DMAD框架进行异常检测，通过金字塔形变模块建模正常模式的多样性，并估计形变场来可靠地检测异常，避免对异常过度泛化。实验表明DMAD可以有效处理正常样本多样性与抑制异常泛化之间的权衡问题。

十七、Anomaly Clustering: Grouping Images into Coherent Clusters of Anomaly Types

异常聚类：将图像归组为连贯的异常类型簇

「简述：」论文研究了异常聚类问题，提出使用基于patch的预训练深度嵌入和现成聚类方法的简单有效框架，定义了一种可以突出缺陷区域的加权平均嵌入距离函数。实验结果显示，在MVTec数据集上该方法显著优于基准和当前最好的深度聚类方法。

十八、Prototypical Residual Networks for Anomaly Detection and Localization

用于异常检测和定位的原型残差网络

「简述：」论文提出了原型残差网络(PRN)框架，通过学习不同尺度和大小的异常和正常模式之间的特征残差，来精确重构异常区域的分割图。PRN主要包含两部分：多尺度原型明确表示异常与正常模式之间的残差特征，多尺寸自注意力机制学习可变大小的异常特征。另外，作者还提出多种异常生成策略，考虑见过和未见过的外观变化，扩大和增多异常。