DPA: Decoupling Product-Agnostic Anomaly Representations for Zero-shot Anomaly Generation
Faculty of Computing, Harbin Institute of Technology(哈尔滨工业大学计算学部);School of Intelligent Systems Engineering, Sun Yat-Sen University(中山大学智能工程学院)
该研究针对新部署产品缺乏异常样本的问题,提出DPA框架,通过异常迁移生成真实异常,在多个基准上显著提升了下游异常检测性能。
2026-09-03 cs.CV
Self-Supervised Texture Image Anomaly Detection By Fusing Normalizing Flow and Dictionary Learning
Ningxia University(宁夏大学);Collaborative Innovation Center for Ningxia Big Data and Artificial Intelligence Co-founded by Ningxia Municipality and Ministry of Education(宁夏回族自治区与教育部共建宁夏大数据与人工智能协同创新中心)
基于纹理背景的工业图像异常检测是异常识别中的一个常用研究领域。纹理图像的干扰和纹理异常的微小性是许多现有模型无法检测到异常的主要原因。基于上述问题,我们提出了一种结合字典学习和规范化流的异常检测策略。我们的方法增强了已经在使用的两阶段异常检测方法。为了改进基线方法,在表示学习中加入归一化流程,并将深度学习和字典学习相结合。经过实验验证,改进的算法在所有MVTec AD纹理类型数据上的$\%$检测准确率超过95。它表现出很强的鲁棒性。基线方法对地毯数据的检测准确率为67.9%。文章进行了升级,检测准确率提高到99.7%。
2022-09-19 cs.CV
CSE: Surface Anomaly Detection with Contrastively Selected Embedding
University of technology Troyes(特鲁瓦技术大学);AQUILAE(阿奎莱公司)
本文提出 CSE,通过结合人工缺陷与无异常样本的对比训练选择目标特定嵌入,实现工业表面异常的有效检测,并在 MVTEC AD 与 TILDA 上验证其竞争力。
2024-03-04 cs.CV
High Dimensional Data Decomposition for Anomaly Detection of Textured Images
Tsinghua University(清华大学);Illinois State University(伊利诺伊州立大学);Peking University(北京大学)
本文提出TBSD方法,通过纹理基底集成平滑分解技术,高效检测具有平滑背景和稀疏异常的纹理图像,提升异常检测性能。
2025-12-23 cs.CV stat.ML
AnomalyPainter: Vision-Language-Diffusion Synergy for Zero-Shot Realistic and Diverse Industrial Anomaly Synthesis
Xiamen University(厦门大学);INSPUR DIGI ENT.(浪潮数字企业)
AnomalyPainter通过协同视觉语言大模型、潜在扩散模型和Tex-9K纹理库,实现零样本工业异常合成,在真实性、多样性和泛化性上优于现有方法。
2025-03-11 cs.CV
Domain-Generalized Textured Surface Anomaly Detection
National Taiwan University(台湾大学);Inventec Corporation(英业达股份有限公司)
异常检测旨在识别偏离正常数据的异常数据,同时通常需要足够量的正常数据来训练模型以执行该任务。尽管最近的异常检测方法的成功,在一个看不见的域执行异常检测仍然是一个具有挑战性的任务。在本文中,我们解决的任务域广义纹理表面异常检测。通过观察多个源域的正常和异常表面数据,我们的模型预计将被推广到一个看不见的感兴趣的纹理表面,其中只有少量的正常数据可以在测试过程中观察到。虽然在训练数据中只观察到图像级标签,但我们的基于块的元学习模型具有很好的泛化能力:它不仅可以泛化到看不见的图像域,而且还可以定位查询图像中的异常区域。我们的实验验证了我们的模型在各种环境中对最先进的异常检测和领域泛化方法表现良好。
2022-03-23 cs.CV
Fractal Descriptors in the Fourier Domain Applied to Color Texture Analysis
目前的工作提出了一种新的方法来提供彩色纹理图像的描述符的发展。该方法包括两个步骤。首先,我们在图像的颜色空间中应用线性变换,旨在突出像素颜色之间的空间结构关系。第二,基于傅立叶变换,我们将多尺度方法应用于分形维数的计算。从这个多尺度操作,我们提取的描述符用于区分数字图像中表示的纹理。该方法的准确性进行了验证,在两个颜色纹理数据集的分类,通过比较所提出的技术的性能,其他经典和国家的最先进的方法进行颜色纹理分析。结果表明,所提出的技术比第二好的方法有近3%的优势。
2012-02-20 cs.CV math.DS physics.data-an
Real-IAD: A Real-World Multi-View Dataset for Benchmarking Versatile Industrial Anomaly Detection
Shanghai Jiao Tong University(上海交通大学);Youtu Lab, Tencent(腾讯优图实验室);Fudan University(复旦大学);Rongcheer Co., Ltd(荣 Cheer 有限公司);Shanghai Development Center of Computer Software Technology(上海计算机软件技术开发中心)
针对现有工业异常检测数据集规模小、方法饱和的问题,提出大规模真实世界多视图数据集Real-IAD,含150K高分辨率图像,并引入全无监督设置及样本级评估指标,提供更具挑战性的基准。
2024-03-19 cs.CV
ART-ASyn: Anatomy-aware Realistic Texture-based Anomaly Synthesis Framework for Chest X-Rays
The University of Sydney(悉尼大学)
ART-ASyn通过基于纹理的增强和渐进二值阈值分割方法,生成符合解剖结构的现实肺部阴影异常,实现无监督异常检测和零样本分割的通用性。
2025-11-29 cs.CV
Improved Anomaly Detection in Crowded Scenes via Cell-based Analysis of Foreground Speed, Size and Texture
NICTA(澳大利亚国家信息与通信技术研究院);The University of Queensland(昆士兰大学)
提出了一种鲁棒且高效的异常检测技术,能够处理传统的基于跟踪的方法往往失败的拥挤场景。输入帧的初始前景分割将分析限制在前景对象,并且有效地忽略不相关的背景动态。输入帧被分割成不重叠的单元格,然后从每个单元格中提取基于运动、大小和纹理的特征。每种特征类型都被独立地分析是否存在异常。与大多数方法不同,通过仅计算前景像素的光流来实现对象运动的精细估计。运动和尺寸特征由核密度估计的近似版本建模,即使对于大型训练数据集,这也是计算效率高的。纹理特征由自适应增长的码本建模,其中码本中的条目数以在线方式选择。在最近发表的UCSD异常检测数据集上的实验表明,该方法比最近的三种方法:MPPCA,社会力和动态纹理混合(MDT)获得了更好的结果。所提出的方法也是几个数量级的速度比MDT,下一个最好的执行方法。
2013-04-03 cs.CV
High-Fidelity Zero-Shot Texture Anomaly Localization Using Feature Correspondence Analysis
Friedrich-Alexander-Universität Erlangen-Nürnberg(埃尔朗根-纽伦堡弗里德里希-亚历山大大学)
本文提出一种基于一维Wasserstein距离双射映射的零样本文理异常定位方法,通过局部特征对应分析聚合像素误差贡献,在MVTec AD上实现误差降低超40%。
2023-12-04 cs.CV
Deep Autoencoders for Anomaly Detection in Textured Images using CW-SSIM
Politecnico di Milano(米兰理工大学)
图像中异常区域的检测是工业监控中经常遇到的问题。一个相关的例子是组织和其他产品的分析,在正常条件下符合特定的纹理,而缺陷引入正常模式的变化。我们通过训练深度自动编码器来解决异常检测问题,并且我们表明,与传统的自动编码器损失函数相比,采用基于复小波结构相似性(CW-SSIM)的损失函数可以在这种类型的图像上产生更好的检测性能。我们在著名的异常检测基准上的实验表明,使用这种损失函数训练的简单模型可以实现与利用更深、更大和计算要求更高的神经网络的最新方法相当或更高的性能。
2022-08-30 cs.CV cs.LG
Global-Regularized Neighborhood Regression for Efficient Zero-Shot Texture Anomaly Detection
Tsinghua University(清华大学);Huazhong University of Science and Technology(华中科技大学)
本文提出零样本GRNR方法,利用测试图像的局部邻域与全局正常性先验进行自重建回归,无需训练即可在八个基准上实现优越的开集纹理异常检测。
2024-06-11 cs.CV
A Contrastive Learning-Guided Confident Meta-learning for Zero Shot Anomaly Detection
Dept. of Engineering for Innovation Medicine, University of Verona(创新医学工程系,威尼斯大学);Faculty of Computer and Information Science, University of Ljubljana(计算机与信息科学系,卢布尔雅那大学);Qualyco S.r.l.(Qualyco公司)
针对工业和医疗异常检测的数据稀缺与标注成本问题,提出CoZAD零样本异常检测框架,结合软置信学习、元学习和对比特征表示,通过置信权重保留边界信息,量化不确定性并创建判别特征空间,在10个数据集上实现SOTA性能。
2025-08-25 cs.CV cs.LG
ZYELL-NCTU NetTraffic-1.0: A Large-Scale Dataset for Real-World Network Anomaly Detection
National Yang Ming Chiao Tung University(阳明交通大学)
网络安全一直是一个非常活跃的研究课题。一个关键问题是提高入侵检测系统(IDS),如防火墙的异常检测能力。然而,现有的网络异常数据集已经过时(即,许多年前收集)或IP匿名,使数据特征与今天的网络不同。因此,本工作引入了一个新的,大规模的,真实世界的数据集,ZYELL-NCTU NetTraffic-1.0,它是从真实网络中的防火墙的原始输出中收集的,目的是促进网络安全研究的发展。
2021-03-08 cs.AI cs.CR cs.LG
Cross-Modal Mapping and Dual-Branch Reconstruction for 2D-3D Multimodal Industrial Anomaly Detection
CNR-ISASI, Institute of Applied Sciences and Intelligent Systems / National Research Council of Italy(CNR-ISASI应用科学与智能系统研究所/意大利国家研究理事会);CNR-STIIMA, Institute of Intelligent Industrial Technologies and Systems for Advanced Manufacturing(CNR-STIIMA智能工业技术与系统先进制造研究所);Institute d'Electronique de Microelectronique et de Nanotechnologie (IEMN) / Universite Polytechnique Hauts de France(微电子与纳米技术研究所(IEMN)/法国高等法国理工学院)
CMDR-IAD通过跨模态映射与双分支重建实现2D-3D多模态工业异常检测,具有轻量、模态灵活和高鲁棒性的特点。
2026-03-04 cs.AI cs.CV
Blind Localization and Clustering of Anomalies in Textures
Friedrich-Alexander-Universität Erlangen-Nürnberg(埃尔朗根-纽伦堡弗里德里希-亚历山大大学)
提出一种结合盲异常定位与对比学习的方法,在无标签纹理图像中无监督聚类异常,显著优于现有方法,达到新最先进水平。
2024-04-18 cs.CV
Quantized FCA: Efficient Zero-Shot Texture Anomaly Detection
Friedrich-Alexander-Universität Erlangen-Nürnberg(埃朗根-纽伦堡弗里德里希-亚历山大大学)
提出量化FCA(QFCA)实时零样本纹理异常检测方法,通过量化直方图比较实现10倍加速且精度几乎无损,并引入PCA预处理增强对比度,优于现有方法。
2025-10-17 cs.CV
Encoding Structure-Texture Relation with P-Net for Anomaly Detection in Retinal Images
School of Information Science and Technology, ShanghaiTech University(上海科技大学信息科学与技术学院);Cixi Institute of Biomedical Engineering, Chinese Academy of Sciences(中国科学院慈溪生物医学工程研究所);UBTech Research(优必选研究院);Southern University of Science and Technology(南方科技大学);Shanghai Engineering Research Center of Intelligent Vision and Imaging(上海智能视觉与影像工程技术研究中心)
视网膜图像中的异常检测是指在训练阶段仅利用正常图像来识别由各种视网膜疾病/病变引起的异常。来自健康受试者的正常图像通常具有规则的结构(例如,眼底图像中的结构化血管或光学相干断层扫描图像中的结构化解剖结构)。相反,疾病和病变往往破坏这些结构。受此启发,我们建议利用图像纹理和结构之间的关系来设计用于异常检测的深度神经网络。具体地说,我们首先提取视网膜图像的结构,然后结合结构特征和从原始健康图像中提取的最后一层特征来重建原始输入的健康图像。图像特征提供了纹理信息,保证了从结构中恢复出的图像的唯一性。最后,我们进一步利用重建图像来提取结构,并测量从原始图像中提取的结构与重建图像之间的差异。一方面,最小化重建差异表现得像正则化器,以保证图像被校正重建。另一方面,这种结构差异也可以用作正态性测量的度量。整个网络被称为P-Net,因为它具有“P”形状。在RESC数据集和iSee数据集上的大量实验验证了该方法在视网膜图像异常检测中的有效性。此外,我们的方法也推广到新的类发现在视网膜图像和异常检测在现实世界中的图像。
2020-08-09 cs.CV eess.IV
Progressive Boundary Guided Anomaly Synthesis for Industrial Anomaly Detection
Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);School of Artificial Intelligence, University of Chinese Academy of Sciences(中国科学院大学人工智能学院)
针对工业异常检测中现有异常合成策略依赖辅助纹理且覆盖率与方向性不足的问题,提出PBAS策略,通过近似边界学习、异常特征合成与精细边界优化定向生成特征级异常,在三个数据集上实现了SOTA性能与最快检测速度。
2024-12-23 cs.AI cs.CV
FABLE : Fabric Anomaly Detection Automation Process
University of technology of Troyes(特鲁瓦技术大学);AQUILAE
本文提出FABLE自动化流程,结合域泛化与特异性学习,实现快速精确的织物纹理缺陷检测与分割,并支持自我评估和防重复训练。
2023-06-16 cs.CV
DeCo: Zero-Shot Industrial Anomaly Generation through Decoupling and Recoupling
School of Electronic Information and Communications, Huazhong University of Science and Technology(华中科技大学电子信息与通信学院)
本文提出DeCo方法,通过解耦与重耦实现零样本工业异常生成,解决现有方法的局限,在MVTec AD和VisA数据集上训练下游检测模型分别获5.1%、8.2%的像素级AP提升,达到新最优性能。
2026-08-12 cs.CV
LARAD: Layout-Aware Road Anomaly Detection via Spatial-Logic Reasoning
Shanghai University(上海大学);Xi’an Jiaotong-Liverpool University(西交利物浦大学)
针对自动驾驶中异常检测问题,提出LARAD方法,通过空间逻辑推理,引入SLVS管道生成训练样本,并用轻量级注意力分支增强分割网络,显著提升对逻辑异常的鲁棒性,保持单模型架构高效率并达新的技术水平。
2026-07-15 cs.CV
AnoNet: Weakly Supervised Anomaly Detection in Textured Surfaces
University of Waterloo(滑铁卢大学)
人类可以很容易地检测到缺陷(异常),因为与其所在的表面相比,它是不同的或突出的。今天,人工视觉检查仍然是常态,因为很难自动检测异常。神经网络是一个有用的工具,可以教机器找到缺陷。然而,它们需要大量的训练样本来学习什么是缺陷,并且获得这些样本是繁琐和昂贵的。我们用一个我们称之为AnoNet的系统来解决训练样本数量较少的网络的问题。AnoNet的架构类似于CompactCNN,不同之处在于:(1)它是一个完全卷积的网络,不使用步幅卷积;(2)它是浅而紧凑的,通过设计最大限度地减少了过拟合;(3)紧凑的设计限制了中间特征的大小,允许在不缩小图像的情况下进行训练;(4)模型占用空间低,适合边缘计算;以及(5)尽管标记较弱,但是可以检测和定位异常。AnoNet学习检测异常的潜在形状,尽管注释较弱,并保留异常的空间定位。使用工程滤波器组初始化技术预播种AnoNet减少了训练所需的总样本,并实现了最先进的性能。与CompactCNN相比,AnoNet将网络参数从113万减少到6.4万,减少了94%。在四个数据集上进行了实验,并将结果与CompactCNN和DeepLabv3进行了比较。AnoNet将所有数据集的平均性能提高了106%,F1得分为0.98,AUROC值为0.942,提高了13%。AnoNet可以从有限数量的图像中学习。对于其中一个数据集,AnoNet只通过了53张训练图像就学会了检…
2019-11-24 cs.CV cs.LG stat.ML
Robust Anomaly-Based Ship Proposals Detection from Pan-sharpened High-Resolution Satellite Image
现在,顶级船舶检测器采用船舶提案的预先筛选,以避免在图像中进行穷举搜索。在甚高分辨率(VHR)光学图像中,舰船在开阔海杂波(类噪声背景)中表现为一簇异常亮像元。基于全色(PAN)数据的异常检测器已被广泛应用于许多研究中以检测船舶,然而,仍然面临两个主要缺点:1)检测率往往较低,特别是当船舶是低对比度时; 2)这些模型需要高度手动配置来选择阈值以最佳地将船舶从海面背景中分离。本文旨在进一步研究基于异常的模型来解决这些问题。首先,泛锐化多光谱(MS)数据与PAN结合在一起,以提高船舶的歧视。其次,我们提出了一种改进的基于异常的模型结合全局强度异常和局部纹理异常地图。针对海杂波和全色锐化过程中产生的噪声,引入了基于量化理论的纹理异常抑制项。VNREDSat-1 VHR光学卫星图像的实验结果表明,泛锐化近红外(P-NIR)波段可以提高船舶从周围水域的歧视。与现有的基于异常的检测器相比,我们提出的基于PAN和P-NIR数据组合的基于异常的模型不仅可以实现最高的船舶检测召回率(在高对比度和低对比度数据集上分别为91.14%和45.9%),而且对不同的自动阈值选择技术具有鲁棒性。
2018-04-25 cs.CV
Onboard Marine Anomaly Detection on $Φ$sat-2: From Simulation-Based Development to In-Orbit Demonstration
Institut de Recherche Technologique Saint Exupéry(圣埃克苏佩里技术研究学院)
该研究针对Φsat-2任务开发轻量型海洋异常检测流水线,经仿真训练后因仿真与在轨数据不匹配,改用真实Level-1影像重训提升性能,验证了星载AI的可行性及仿真开发的价值。
2026-10-09 cs.AI cs.CV
FreqAnchorAD: Language-Free Zero-Shot Anomaly Detection via Frequency-Deviation Anchoring
该研究针对现有零样本异常检测方法未建模频率特征的问题,提出FreqAnchorAD框架,通过LFCM、FDAP和AAS模块在13个工业及医学基准上实现了图像级和像素级异常检测的最优平均性能。
2026-08-04 cs.CV
Adapting the Hypersphere Loss Function from Anomaly Detection to Anomaly Segmentation
MinesParis, PSL University, Centre for mathematical morphology (CMM)(巴黎高等矿业学院,PSL大学,数学形态学中心)
本文针对全卷积数据描述(FCDD)的损失函数进行改进,提出更接近超球面分类器(HSC)的替代损失函数,并在 MVTec-AD 数据集上验证了像素级监督设计能带来一致的异常分割性能提升。
2023-12-02 cs.CV
Unsupervised Two-Stage Anomaly Detection
Beihang University(北京航空航天大学)
从单个图像中进行异常检测具有挑战性,因为异常数据总是罕见的,并且可能具有高度不可预测的类型。在只有无异常数据可用的情况下,大多数现有方法训练AutoEncoder来重建输入图像并找到输入和输出之间的差异以识别异常区域。然而,这样的方法面临一个潜在的问题-粗重建产生额外的图像差异,而高保真的一个可能会画在异常。在本文中,我们解决了这个矛盾,提出了一个两阶段的方法,它产生高保真但无异常重建。我们的无监督两阶段异常检测(UNOMIC)依赖于两个技术组件,即印象提取器(IE-Net)和专家网络。IE-Net和Expert-Net完成了两阶段无异常图像重建任务,同时还生成直观的中间结果,使整个UBER具有可解释性。大量的实验表明,我们的方法优于国家的最先进的四个异常检测数据集与不同类型的真实世界的对象和纹理。
2021-03-22 cs.CV
Few-Shot Anomaly-Driven Generation for Anomaly Classification and Segmentation
Tencent YouTu Lab(腾讯优图实验室);Shanghai Jiao Tong University(上海交通大学)
针对工业异常样本稀缺及合成异常语义失真问题,提出少样本 AnoGen 框架,通过学习真实异常分布并引导扩散模型生成多样异常,以弱监督方式提升 DRAEM 与 DesTSeg 的分类和分割性能。
2025-05-14 cs.AI cs.CV
Point Cloud Diffusion with Global and Local Reconstruction for Instance-Level 3D Anomaly Detection
School of Computer Science, Wuhan University(武汉大学计算机学院);Department of Automation, Tsinghua University(清华大学自动化系);Guangdong Artificial Intelligence and Digital Economy Laboratory (SZ)(广东人工智能与数字经济实验室(深圳))
提出PCDiff框架,通过实例级多模态条件生成弱缺陷异常,并采用联合局部-全局重建算法恢复前景缺陷同时保持背景正常结构,在3D异常检测中显著优于现有方法。
2026-06-25 cs.AI cs.CV
Normal Reference Attention and Defective Feature Perception Network for Surface Defect Detection
Huazhong University of Science and Technology(华中科技大学);Tsinghua University(清华大学)
视觉异常检测在工业自动化产品质量检测中具有重要的意义。由于正常和异常数据量的极大不平衡,越来越多的注意力已经给予了无监督的方法进行缺陷检测。虽然现有的基于重建的方法已经得到了广泛的研究,最近,建立一个强大的重建模型,各种纹理表面缺陷检测仍然是一个具有挑战性的任务,由于均匀和不规则的表面纹理。在本文中,我们提出了一种新的无监督重建为基础的方法称为正常参考注意和缺陷特征感知网络(NDP-网),以准确地检查各种纹理缺陷。与大多数基于重建的方法不同,我们的NDP-网络首先采用了一个编码模块,该模块提取表面纹理的多尺度判别特征,该模块通过提出的人工缺陷和新颖的像素级缺陷感知损失来增强缺陷判别能力。随后,提出了一种新型的基于参考的注意力模块(RBAM),利用固定参考图像的正常特征来修复缺陷特征并抑制缺陷的重建。接着,将修复后的特征送入解码模块以重建正常纹理背景。最后,新的多尺度缺陷分割模块(MSDSM)被引入精确的缺陷检测和分割。此外,一个两阶段的培训策略是用来提高检查性能。
2023-01-13 cs.AI cs.CV
HarmoniAD: Harmonizing Local Structures and Global Semantics for Anomaly Detection
Tianjin University of Science and Technology(天津科技大学);The University of Sydney(悉尼大学);National University of Singapore(新加坡国立大学)
HarmoniAD通过协调局部结构与全局语义,提出一种双分支框架以提高异常检测的灵敏度和鲁棒性。
2026-01-01 cs.AI cs.CV
Looking 3D: Anomaly Detection with 2D-3D Alignment
University of Edinburgh(爱丁堡大学)
本文提出条件异常检测问题,构建了BrokenChairs-180K数据集,并设计了基于transformer的2D-3D特征对齐方法,通过定制注意力机制检测查询图像中的异常,为该领域提供了基准。
2024-06-27 cs.CV
From Pixels to Graphs: Deep Graph-Level Anomaly Detection on Dermoscopic Images
Department of Computer Science, TU Dortmund University, Germany(图腾大学计算机科学系);Research Center Trustworthy Data Science and Security, University Alliance Ruhr (UA Ruhr), Germany(可信数据科学与安全研究所以及鲁尔大学联盟(UA Ruhr))
本文系统评估了多种图像到图变换方案,发现颜色特征单独表现最佳,结合形状与纹理可进一步提升皮肤镜图像图级异常检测性能,最佳无监督AUC-ROC达0.805,全监督达0.914。
2025-08-15 cs.CV cs.LG
Learning image representations for anomaly detection: application to discovery of histological alterations in drug development
Boehringer Ingelheim Pharma GmbH and Co.(勃林格殷格翰制药有限公司)
提出一种基于辅助任务训练CNN并结合中心损失的组织病理学图像异常检测系统,用于早期药物毒性评估以减少后期药物流失。
2024-01-08 cs.AI cs.CV cs.LG
Synthetic Data Generation for Anomaly Detection on Table Grapes
Sapienza University of Rome(罗马大学)
针对鲜食葡萄异常检测中数据稀缺问题,提出一种自动合成异常样本的方法,利用双Canny边缘检测和Segment Anything Model生成增强数据,提升分类器准确性并可推广至其他水果。
2024-12-17 cs.CV cs.RO
Distance-Based Anomaly Detection for Industrial Surfaces Using Triplet Networks
Western University(韦仕敦大学);National Research Council Canada(加拿大国家研究委员会)
表面异常检测在许多制造业中起着重要的质量控制作用,以减少废料的产生。近年来,基于机器的目视检查已被用来执行这项任务,而不是人类专家。特别是,深度学习卷积神经网络(CNN)由于其预测精度和效率而处于这些基于图像处理的解决方案的最前沿。在分类目标上训练CNN需要足够大量的缺陷数据,而这些数据通常是不可用的。在本文中,我们通过使用基于距离的异常检测目标在表面纹理补丁上训练CNN来解决这一挑战。利用基于深度残差的三元组网络模型,并且通过随机擦除技术专门从非缺陷样本合成缺陷训练样本,以直接学习同类样本和类外样本之间的相似性度量。评估结果表明,该方法的强度在检测不同类型的异常,如弯曲,断裂,或破裂的表面,为已知的表面的一部分,训练数据和看不见的新的表面。
2020-11-10 cs.AI cs.CV cs.LG
Stop-band Energy Constraint for Orthogonal Tunable Wavelet Units in Convolutional Neural Networks for Computer Vision problems
Jacobs School of Engineering, University of California San Diego(加州大学圣地亚哥分校 Jacobs 工程学院);Department of Computer Engineering, Tech University of Korea(科技大学韩国分校 计算机工程系)
本文提出在正交可调小波单元中引入阻带能量约束,集成到ResNet中提升卷积、池化和下采样性能,在纹理分类和异常检测任务上取得显著精度提升。
2025-07-21 cs.CV eess.SP
Contextual Information Based Anomaly Detection for a Multi-Scene UAV Aerial Videos
Manipal Institute of Technology(马尼帕尔理工学院);Manipal Academy of Higher Education(马尼帕尔高等教育学院);Manipal Institute of Technology Bengaluru(马尼帕尔理工学院班加罗尔分校)
基于无人机的监控在全球范围内获得了很大的兴趣,由于其在监测野生动物,城市规划,灾害管理,校园安全等方面的广泛应用,这些视频进行分析,为奇怪/奇怪/异常模式,这是监控的重要方面。但是对这些视频的手动分析是乏味和费力的。因此,开发用于分析基于无人机的监控视频的计算机辅助系统至关重要。尽管有这种兴趣,在文献中,开发了几个计算机辅助系统,仅关注基于CCTV的监控视频。这些方法都是针对单场景设计的,缺乏多场景所需的上下文知识。此外,缺乏标准的基于无人机的异常检测数据集限制了这些系统的发展。在这方面,目前的工作旨在开发一个计算机辅助决策支持系统,分析无人机的监控视频。为开发计算机辅助系统,开发了一种新的基于无人机的多场景异常检测数据集,并提供了帧级注释。它全面使用上下文,时间和外观特征来准确检测异常。此外,提出了一种新的推理策略,利用少量的异常样本以及正常样本,以确定更好的决策边界。所提出的方法进行了广泛的评估,基于无人机的异常检测数据集,并执行竞争力相对于国家的最先进的方法。
2022-03-29 cs.CV
MLF-SC: Incorporating multi-layer features to sparse coding for anomaly detection
LeapMind Inc.(LeapMind公司)
图像中的异常发生在各种尺度上,从地毯上的一个小洞到一个大污点。然而,基于稀疏编码的异常检测是广泛使用的异常检测方法之一,在处理超出用于稀疏表示图像的补丁大小的异常时存在问题。如果在小尺度下观察到大的异常,则可以认为是正常的,但是不容易确定适用于所有图像的单个尺度(斑块大小)。然后,我们提出将多尺度特征结合到稀疏编码中,提高异常检测的性能。多层特征稀疏编码(MLF-SC)方法采用神经网络进行特征提取,并对网络中间层的特征图进行稀疏编码,而标准的基于稀疏编码的异常检测方法直接对给定图像进行检测。我们表明,MLF-SC优于最先进的异常检测方法,包括采用深度学习的方法。我们的目标数据是MVTec异常检测(MVTec AD)数据集的纹理类别,该数据集是由来自真实世界的图像组成的现代基准数据集。我们的想法可以是处理实际数据的简单而实用的选择。
2021-04-09 cs.CV cs.LG
Efficient Anomaly Detection Using Self-Supervised Multi-Cue Tasks
异常检测在许多实际应用中非常重要。最近,自监督学习通过识别几个几何变换,极大地帮助了深度异常检测。然而,这些方法缺乏更精细的特征,通常高度依赖于异常类型,并且在细粒度问题上表现不佳。为了解决这些问题,我们首先在这项工作中引入三个新的和有效的判别和生成的任务,具有互补的优势:(i)一个逐块拼图任务的重点是结构线索;(ii)色调旋转识别内使用的每一块,考虑到色度信息;(iii)和一个部分重新着色任务考虑图像纹理。为了使重新着色任务更面向对象比面向背景,我们建议包括上下文的颜色信息的图像边界通过注意力机制。然后,我们提出了一个新的分布外检测功能,并强调其更好的稳定性相比,现有的方法。同时,我们也对不同的分数融合函数进行了实验。最后,我们评估我们的方法在一个广泛的协议组成的各种异常类型,从对象异常,风格异常与细粒度分类的本地异常与面对反欺骗数据集。我们的模型显著优于最先进的技术,在对象异常方面的相对误差提高了36%,在面部反欺骗问题方面提高了40%。
2022-12-09 cs.CV
Back to the Feature: Classical 3D Features are (Almost) All You Need for 3D Anomaly Detection
The Hebrew University of Jerusalem(耶路撒冷希伯来大学)
尽管在图像异常检测和分割方面取得了重大进展,但很少有方法使用3D信息。我们利用最近推出的3D异常检测数据集来评估是否使用3D信息是一个失去的机会。首先,我们提出了一个令人惊讶的发现:标准的仅颜色方法优于所有明确设计用于利用3D信息的当前方法。这是违反直觉的,因为即使对数据集进行简单的检查也表明,仅使用颜色的方法对于包含几何异常的图像是不够的。这引发了一个问题:异常检测方法如何有效地使用3D信息?我们研究了一系列形状表示,包括手工制作和基于深度学习的形状表示;我们证明了旋转不变性在性能中起着主导作用。我们发现了一种简单的3D方法,它击败了所有最近的方法,同时不使用深度学习,外部预训练数据集或颜色信息。由于仅3D的方法无法检测颜色和纹理异常,我们将其与基于颜色的特征相结合,显著优于以前的最先进技术。我们的方法,被称为BTF(回到特征),在MVTec 3D-AD上实现了像素级ROCAUC:99.3%和PRO:96.4%。
2022-11-28 cs.CV
That's BAD: Blind Anomaly Detection by Implicit Local Feature Clustering
Tohoku University(东北大学);RIKEN Center for AIP(理化学研究所AIP中心)
本文提出盲异常检测(BAD)设定,无需已知正常样本,将问题转化为局部离群点检测,并设计PatchCluster方法,在图像级和像素级异常检测上取得与单类设定SOTA方法相当的性能。
2023-07-06 cs.CV
Textile Anomaly Detection: Evaluation of the State-of-the-Art for Automated Quality Inspection of Carpet
The University of Auckland(奥克兰大学);Bremworth Ltd(布雷莫思有限公司)
本研究评估了最先进的无监督检测模型在羊毛地毯自动化异常检测中的表现,发现基于师生网络的方法在多类数据集上平均检测准确率最高且误检率最低,除生成模型外其他模型在GPU上推理时间平均为0.16s。
2024-07-26 cs.CV cs.LG
PANDA : Perceptually Aware Neural Detection of Anomalies
Durham University(杜伦大学)
半监督异常检测方法近年来取得了长足的进步。特别感兴趣的是应用这些方法来不同的,真实世界的异常检测问题,异常变化可以从视觉上明显的非常微妙的变化。在这项工作中,我们提出了一种新的细粒度VAE-GAN架构,以半监督的方式进行训练,以检测视觉上明显和微妙的异常。通过使用一个剩余连接的双特征提取器,一个细粒度的神经网络和一个感知损失函数,我们能够检测到微妙的,低类间(异常与正常)的变异异常具有更大的检测能力和更小的幅度的偏差AUC值在推理过程中相比,以前的工作,同时还保持时间效率在推理过程中。我们实现了国家的最先进的异常检测结果时,广泛比较了大量的异常检测基准任务,包括琐碎的留一任务与以前的半监督方法(CIFAR-10 - AUPRCavg:0.91; MNIST - AUPRCavg:0.90)除了挑战现实世界的异常检测任务外(植物叶病- AUC:0.776;威胁项目X射线- AUC:0.51)、视频帧级异常检测(UCSDPed 1- AUC:0.95)和具有对象异常缺陷检测的高频纹理(MVTEC-AUCavg:0.83)。
2021-04-28 cs.CV
Semantic-Deviation-Anchored Multi-Branch Fusion for Unsupervised Anomaly Detection and Localization in Unstructured Conveyor-Belt Coal Scenes
School of Software Engineering / School of Mechanical Engineering(软件工程学院 / 机械工程学院)
本文提出语义偏离锚定的多分支融合框架,用于无监督煤流场景中异物检测与定位,通过多视角融合提升检测精度与鲁棒性。
2026-02-07 cs.CV
Supervised Anomaly Detection Method Combining Generative Adversarial Networks and Three-Dimensional Data in Vehicle Inspections
JR East Information Systems Company(东日本旅客铁道信息系统公司);East Japan Railway Company(东日本旅客铁道公司)
机车车辆地板下设备的外部目视检查目前通过人工目视检查进行。在这项研究中,我们试图部分自动化的视觉检测,通过调查异常检测算法,使用图像处理技术。由于铁路维修研究往往有很少的异常数据,无监督学习方法通常是首选的异常检测,然而,训练成本和准确性仍然是一个挑战。此外,研究人员通过添加噪声等从正常图像创建异常图像,但本研究中的异常目标是管道旋塞的旋转,这是很难使用噪声创建的。因此,在这项研究中,我们提出了一种新的方法,使用风格转换通过生成对抗网络的三维计算机图形和模仿异常图像应用基于监督学习的异常检测。采用几何一致的风格转换模型对图像进行风格转换,成功地使图像的颜色和纹理在保持异常形状的同时模仿真实图像。使用所生成的异常图像作为监督数据,可以容易地训练异常检测模型,而无需复杂的调整,并成功地检测异常。
2022-12-22 cs.CV cs.LG eess.IV
Combining GANs and AutoEncoders for Efficient Anomaly Detection
Information Science and Technology Institute (ISTI) of CNR(意大利国家研究委员会信息科学与技术研究所(ISTI))
在这项工作中,我们提出了CBiGAN -一种用于图像异常检测的新方法,其中在BiGAN的编码器和解码器中引入了一致性约束作为正则化项。我们的模型具有相当好的建模能力和重建的一致性能力。我们在MVTec AD上评估了所提出的方法-高分辨率图像上无监督异常检测的真实基准-并与标准基线和最先进的方法进行比较。实验结果表明,该方法大大提高了BiGAN公式的性能,并在降低计算成本的同时,实现了对昂贵的最新迭代法的快速收敛.我们还观察到,我们的模型在纹理类型的异常检测中特别有效,因为它在这一类别中开创了新的艺术状态。我们的代码可在https://github.com/fabiocarrara/cbigan-ad/上获得。
2020-11-26 cs.CV cs.LG stat.ML
The Eyecandies Dataset for Unsupervised Multimodal Anomaly Detection and Localization
我们提出了Eyecandies,一种用于无监督异常检测和定位的新型合成数据集。程序生成的糖果的照片般逼真的图像在多个闪电条件下在受控环境中呈现,还在工业输送机场景中提供深度和法线图。我们为模型训练和验证提供了无异常的样本,而具有精确地面实况注释的异常实例仅在测试集中提供。该数据集包括10类糖果,每类都显示出不同的挑战,例如复杂的纹理,自遮挡和镜面反射。此外,我们通过随机绘制程序渲染管道的关键参数来实现大的类内变化,这使得可以创建任意数量的具有照片般逼真外观的实例。同样,异常被注入到渲染图中,并自动生成逐像素的注释,克服了人为偏见和可能的不一致。我们相信这个数据集可以鼓励探索解决异常检测任务的原始方法,例如通过组合颜色,深度和法线映射,因为它们不是由大多数现有数据集提供的。事实上,为了证明利用附加信息实际上如何提高检测性能,我们展示了通过训练深度卷积自动编码器来重建不同输入组合所获得的结果。
2022-10-10 cs.CV
Quality-Aware Language-Conditioned Local Auto-Regressive Anomaly Synthesis and Detection
Foundation Model Research Center, Institute of Automation, Chinese Academy of Sciences(自动化研究所基础模型研究中心,中国科学院);School of Artificial Intelligence, University of Chinese Academy of Sciences(中国科学院大学人工智能学院);Objecteye Inc.(Objecteye公司)
提出ARAS语言条件自回归异常合成方法,结合QARAD框架,通过动态加权策略提升异常检测性能,在三个基准数据集上超越现有方法,合成速度提升5倍。
2025-08-05 cs.CV
Zero-Shot Image Anomaly Detection Using Generative Foundation Models
Eindhoven University of Technology(埃因霍温理工大学)
该研究提出将去噪扩散模型作为通用感知模板,通过分析经SSIM放大的Stein分数误差实现零样本图像异常检测,仅在CelebA上训练的模型便在多个基准上取得优于现有方法的表现。
2025-07-30 cs.CV
UniSLAD: A Unified Framework for Structural and Logical Industrial Visual Anomaly Detection
提出UniSLAD统一框架,无需额外训练即可同时检测结构异常和逻辑异常,通过双特征提取器与双粒度特征表示模块,在工业基准上实现99.4%和93.1%的检测性能。
2026-06-23 cs.AI cs.CV eess.IV
Training-Free Logical and Structural Anomaly Detection via Calibrated Fusion
Aalto University(阿尔托大学);Harbin Engineering University(哈尔滨工程大学)
本文提出一种基于正常集校准融合冻结表征线索的无训练异常检测方法,可同时处理逻辑与结构异常,在MVTec-LOCO上表现优于同类无训练检测器,且泛化性良好。
2026-09-07 cs.CV