异常样本在工业异常检测中的应用探索
内容提要
本文介绍了多种针对工业制造中图像异常检测的新方法，包括PatchCore、MMR、ComAD和AnomalySD等。这些方法在不同数据集上表现出色，有效解决了正常数据稀缺的问题，提高了异常检测的准确性和效率。
延伸解读
工业异常检测的演进脉络
从PatchCore到AnomalySD，工业异常检测方法在2021至2024年间快速迭代。PatchCore以内存库实现高精度检测，MMR增强因果推断，ComAD引入组件感知，ReConPatch和RealNet利用对比学习与扩散过程，AnomalySD则借助稳定扩散解决数据稀缺。这些进展显示研究重心从单纯提升精度转向应对数据不足、领域移位等实际挑战。
数据稀缺与领域移位的应对策略
工业场景中正常样本稀缺且测试时易出现领域移位。MMR通过遮蔽重构增强补丁间因果关系推断，领域概括方法仅用稀疏正常数据训练即可检测未见对象异常，AnomalySD利用稳定扩散生成样本。这些策略共同指向减少对大量正常数据的依赖，提升模型在变化环境中的泛化能力。
性能基准与评估趋势
MVTec AD仍是核心基准，PatchCore在其上达到99.6%图像级AUROC。新数据集如AeBAD和真实缺陷数据集被提出，以评估领域移位和复杂缺陷。SEMLP在稀疏数据下取得87.2%平均AUROC，AnomalySD在分类和分割上分别达93.6%和94.8%。评估正从单一精度转向多维度鲁棒性。
Q&A
PatchCore方法在异常检测中有什么优势？
PatchCore方法在MVTec AD挑战赛中实现了99.6%的图像级异常检测AUROC分数，表现出色。
MMR方法是如何增强异常检测模型的？
MMR方法通过遮蔽重构任务增强模型对正常样本中补丁之间因果关系的推断能力。
ComAD框架的主要特点是什么？
ComAD框架利用无监督语义分割模型进行组件分割，实现可调节的逻辑异常检测，具有模型定制和异常分类的潜力。
ReConPatch方法如何实现异常检测？
ReConPatch方法通过对比表示学习构建判别性特征，实现强健的异常检测性能，无需大量输入增强。
AnomalySD框架解决了什么问题？
AnomalySD框架通过稳定扩散模型解决正常数据稀缺问题，在异常分类和分割方面表现优异。
SEMLP方法在异常检测中表现如何？
SEMLP方法在图像级平均AUROC上取得了87.2%的最佳性能，能够在稀疏正常数据上训练模型。
