【计算机视觉 | 异常检测】顶会精选！工业异常检测最新SOTA方案分享！（下）

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。