工业异常检测最新文章整理

CVPR

DeSTSeg	用于异常检测的分割引导的教师-学生降噪
EfficientAD	毫秒级延迟的准确视觉异常检测
VAND	零次异常检测第一名和少次异常检测第四名
WinCLIP	零次/少次异常分类和分割
SimpleNet	用于图像异常检测和定位的简单网络
Multimodal Industrial Anomaly Detection via Hybrid Fusion	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。

2023 Explicit Boundary Guided Semi-Push-Pull Contrastive Learning for Supervised Anomaly Detection 监督异常检测的显式边界引导半推拉对比学习

方法基于两个核心设计：首先，我们找到一个显式和紧凑的分离边界作为进一步的特征学习的指导。由于边界仅依赖于正态特征分布，因此可以缓解由少数已知异常引起的偏差问题。其次，提出边界引导半推拉损失，只将正常特征拉在一起，同时将异常特征从分离边界推出一定边缘区域。这样，我们的模型就可以形成一个更明确、更有区别的决策边界，从而更有效地从正常样本中区分已知和不可见的异常。提出了一种新的边界引导异常检测（BGAD）模型。

I-auroc 0.993±0.0012 p-auroc 0.992±0.0007

A Zero-/Few-Shot Anomaly Classification and Segmentation Method for CVPR 2023 VAND Workshop Challenge Tracks 1&2: 1st Place on Zero-shot AD and 4th Place on Few-shot AD

对于零射击轨迹，我们提出了一个基于CLIP模型的解决方案，通过添加额外的线性层。这些层用于将图像特征映射到联合嵌入空间，以便能够与文本特征进行比较，生成异常映射。此外，当参考图像可用时，我们利用多个内存库存储其特征，并在测试阶段与测试图像的特征进行比较。

在VAND异常检测比赛中，利用一个修改后的VisA [19]数据集来评估不同模型的有效性。在零射击轨道中，根据挑战规则，模型可以在任何允许的数据集上进行训练和预训练，但VisA [19]的训练和测试集除外。由于新引入的线性层的训练依赖于地面-真实异常图，文章使用MVTec AD 数据集的测试集。2)在少镜头的轨道中，我们合并了线性层，而没有使用参考图像进行任何额外的微调。

2022 Self-Supervised Predictive Convolutional Attentive Block for Anomaly Detection

异常检测的自监督预测卷积注意块
在这些成功的异常检测方法中，有一类独特的方法依赖于预测掩蔽信息（如补丁、未来帧等）。并利用对掩蔽信息的重构错误作为异常评分。与相关方法不同的是，我们提出将基于重构的功能集成到一个新的自我监督预测建筑构建块中。所提出的自监督块是通用的，可以很容易地纳入各种最先进的异常检测方法。我们的块从一个带有扩张滤波器的卷积层开始，其中接受野的中心区域被掩盖了。生成的激活映射通过一个通道注意模块传递。我们的块配备了一个损失，最小化重建误差相对于接受野的屏蔽区域。我们通过将其集成到几个最先进的图像和视频异常检测框架中，证明了我们的块的通用性

自我监督预测卷积注意块（SSPCAB）。对于每个应用扩张卷积滤波器的位置，块学习使用上下文信息重建掩蔽区域。信道注意模块通过利用全局信息选择性地强调或抑制重构图来进行特征重新校准。通过重建误差进行异常定位。

2022 Anomaly Detection via Reverse Distillation from One-Class Embedding

反向蒸馏异常检测

我们提出了一个新的T-S模型，由教师编码器和学生解码器组成，并相应地引入了一