【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！（上）

ゝ一纸荒年。 2024-02-17 12:27 24阅读 0赞

#### 文章目录 ####

*  一、Deep Learning for Unsupervised Anomaly Localization in Industrial Images: A Survey
 *  二、MemSeg: A semi-supervised method for image surface defect detection using differences and commonalities
 *  三、Image Anomaly Detection and Localization with Position and Neighborhood Information
 *  四、SimpleNet: A Simple Network for Image Anomaly Detection and Localization
 *  五、Multimodal Industrial Anomaly Detection via Hybrid Fusion
 *  六、Masked Swin Transformer Unet for Industrial Anomaly Detection
 *  七、Towards Total Recall in Industrial Anomaly Detection
 *  八、DeSTSeg: Segmentation Guided Denoising Student-Teacher for Anomaly Detection
 *  九、AnomalyGPT: Detecting Industrial Anomalies using Large Vision-Language Models

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。

## 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。

![在这里插入图片描述][253f71ed1b18474fb3f0cb59d374ce02.png]

## 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。

![在这里插入图片描述][8ade68c6d818470bb80858825c4f8a8b.png]

## 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。

![在这里插入图片描述][b31b54880dc54ce6a11da7c40c748bbc.png]

## 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。

![在这里插入图片描述][ec1b6d993235417590d19c1a4164fd7e.png]

## 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。

![在这里插入图片描述][1d81f7761eaa481a880367a141ec52aa.png]

## 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。

![在这里插入图片描述][c5685fc54d65479e9dae2e9e063f5c80.png]

## 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。

![在这里插入图片描述][9f33b2976bcd433c8c1abfb8f4711858.png]

## 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。

![在这里插入图片描述][ca199d47c48d45db8e64b9750b608a24.png]

[253f71ed1b18474fb3f0cb59d374ce02.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/06/b3b9da1790a74fa9816fcb46b143b63f.png
[8ade68c6d818470bb80858825c4f8a8b.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/06/3a02f720e06648b3b4e04a8e2e059115.png
[b31b54880dc54ce6a11da7c40c748bbc.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/06/db3f9bff902444cdb08ac44357b1ece2.png
[ec1b6d993235417590d19c1a4164fd7e.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/06/61f66bb3271e476385661a7c3e34a969.png
[1d81f7761eaa481a880367a141ec52aa.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/06/cfea0d4e82b1486f9146dbcc3275a397.png
[c5685fc54d65479e9dae2e9e063f5c80.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/06/bd217a89f6f147d7bc3d8afc83a78104.png
[9f33b2976bcd433c8c1abfb8f4711858.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/06/7e3f7223ebc349ec886012815e07effc.png
[ca199d47c48d45db8e64b9750b608a24.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/06/275874715262478596f36f8313d55367.png