GeneralAD: 通过关注扭曲特征进行跨领域异常检测
原文中文，约300字，阅读约需1分钟。发表于：。基于视觉 Transformer 和自监督异常生成的 GeneralAD 异常检测框架在语义、近分布和工业设置中具有卓越的性能。
本文介绍了一种新的异常检测方法，能够训练带有稀疏正常数据的模型，并在未见过的对象上检测相同类型的异常。通过改进现有的 MVTec AD 数据集并使用两种基于嵌入的方法 SEMLP 和 Labeled PatchCore 进行设计，SEMLP 取得了最佳性能表现，图像级平均 AUROC 为 87.2%。这些新的数据集为工业异常检测的进一步研究提供了基础。
