|
「异常检测」是一个具有创新潜力的研究方向，特别适用于工业场景中各种多样的异常和缺陷情况。传统方法在面对这些挑战时受到限制，而深度学习方法则逐渐被引入其中，并提供了许多可尝试的可能性。 为了帮助大家更深入地了解该领域并紧跟最新进展，我整理了「19篇顶级会议论文」，涵盖了工业异常检测算法的各个方面，包括有监督方法、无监督方法、神经网络框架以及小样本和零样本等技术。 扫码添加小享，回复“19”免费获取全部论文 模型代码。1.Deep Learning for Unsupervised Anomaly Localization in Industrial Images: A Survey「简述」：该文通过全面调查使用深度学习在工业图像中进行无监督异常定位的最新成果。该调查审查了120多份重要出版物，涵盖异常定位的不同方面，包括各种概念、挑战、分类法、基准数据集和定量性能比较。该文还对未来的几个研究方向进行了详细的预测和分析。
 2.MemSeg: A semi-supervised method for image surface defect detection using differences and commonalities「简述」：在半监督框架下，该文提出了一种端到端的基于内存的分割网络「MemSeg」来检测工业产品的表面缺陷。考虑到同一生产线上产品的类内差异较小，MemSeg引入了人工模拟的异常样本和记忆样本以辅助网络的学习。在训练阶段，MemSeg通过比较相似之处和输入样本和存储器池中的存储器样本之间的差异，以给出关于异常区域的有效猜测。在推理阶段，MemSeg以端到端的方式直接确定输入图像的异常区域。
 3.Image Anomaly Detection and Localization with Position and Neighborhood Information「简述」：该文引入了在给定条件概率的情况下，用多层建模感知器网络估计分布邻域特征。同时，可以通过构建直方图来使用每个位置的特征。该文使用额外的细化网络，根据合成异常图像进行训练以执行更好的插值考虑的形状和边缘输入图像。
 4.SimpleNet: A Simple Network for Image Anomaly Detection and Localization「简述」：该文提出了一个简单且易于应用的网络SimpleNet，用于检测和定位异常。SimpleNet由四个组件组成：（1）生成局部特征的预训练特征提取器，（2）将局部特征转移到目标域的浅层特征适配器，（3）通过添加高斯来伪造异常特征的简单异常特征生成器噪声到正常特征，以及（4）区分异常特征和正常特征的二进制异常判别器特征。
 5.Multimodal Industrial Anomaly Detection via Hybrid Fusion「简述」：该文提出了一种新颖的多3D存储器（M3DM）混合融合的多模式异常检测方法。首先，设计了一种无监督的特征融合通过逐片对比学习来鼓励不同模态特征的相互作用；其次，使用避免多个存储库的决策层，融合信息丢失和额外的新颖性分类器做出最终决定。进一步提出了一种点特征对齐操作，以更好地对齐点云和RGB功能。
 扫码添加小享，回复“19”免费获取全部论文 模型代码。6.Masked Swin Transformer Unet for Industrial Anomaly Detection「简述」：该文提出了一种用于异常检测的Swin Transformer Unet（MSTUnet）。为了解决训练阶段异常样本不足的问题，首先在无异常样本上应用异常模拟和掩蔽策略来生成模拟异常，然后利用Swin Transformer强大的全局学习能力来修复掩蔽区域。最后，使用基于卷积的Unet网络进行端到端异常检测。在工业数据集MVTec-AD上的实验结果表明，MSTUnet实现了优越的异常检测和定位性能。
7.Towards Total Recall in Industrial Anomaly Detection「简述」：该文提出了PatchCore，它使用标称补丁特征的最大代表性存储器组。PatchCore的推理时间很短，可以实现最先进的两种检测性能以及本地化。
 8.DeSTSeg: Segmentation Guided Denoising Student-Teacher for Anomaly Detection「简述」：该文提出了DeSTSeg，它集成了一个预先训练的Teacher网络，去噪Student编码器解码器，以及将分割网络整合为一个框架。首先，到
为了加强对异常数据的约束，引入了一种去噪程序，使Student网络能够学习更好地表示。从综合损坏的正常图像中，训练在没有损坏的情况下，Student网络匹配相同图像的Teacher网络特征。第二，融合多级S-T特征自适应，训练一个分割网络，通过合成异常掩码进行丰富的监督，实现性能显著提高。
 9.WinCLIP: Zero-/Few-Shot Anomaly Classification and Segmentation「简述」：该文解决了零样本和少正态快照异常的分类和分割问题。提出了基于窗口的CLIP（WinCLIP），它具有（1）状态词和提示模板的组合集成，以及（2）与文本对齐的窗口/补丁/图像级特征的有效提取和聚合。该文还提出了它的少数正常镜头扩展WinCLIP ，它使用来自正常图像的互补信息。
 10.Collaborative Discrepancy Optimization for Reliable Image Anomaly Localization「简述」：该文提出在合成异常的帮助下，协同优化正态和异常特征分布，即协同差异优化（CDO）。CDO引入了裕度优化模块和重叠优化模块，以优化决定定位性能的两个关键因素，即正常样本和异常样本的差异分布（DD）之间的裕度和重叠。利用CDO，在正常和异常DD之间获得了大的裕度和小的重叠，并且提高了预测可靠性。
|
