AAAI'25 | 数据驱动的工业升级！3CAD：用于无监督异常检测的大规模真实世界3C产品数据集！

0.这篇文章干了啥？

这篇文章提出了3CAD数据集和CFRG方法，专注于3C产品零件制造过程中的工业异常检测。3CAD是第一个大规模的制造过程异常检测数据集，包含来自真实生产线的27,039张高分辨率图像，涵盖8种工业产品零件，并提供像素级注释。为了解决该数据集中的挑战，文章提出了CFRG方法，通过异构的教师-学生网络生成粗略定位，再通过分割网络进行精细化优化，显著提高了异常检测的准确性和定位精度。实验结果表明，CFRG在多个指标上超越了现有的基准方法，表现出色，且为未来更高精度的定位方法奠定了基础。

下面一起来阅读一下这项工作~

1. 论文信息

论文题目：3CAD: A Large-Scale Real-World 3C Product Dataset for Unsupervised Anomaly Detection

作者：Enquan Yang, Peng Xing等

作者机构：School of Communication and Information Engineering, Shanghai University等

论文链接：https://arxiv.org/pdf/2502.05761

2. 摘要

工业异常检测取得了进展，得益于像MVTec-AD和VisA这样的数据集。然而，这些数据集在缺陷样本数量、缺陷类型和真实场景的可用性方面存在局限性。这些限制妨碍了研究人员进一步探索工业检测在更高精度下的表现。为此，我们提出了一个新的大规模异常检测数据集——3CAD，该数据集来源于真实的3C生产线。具体而言，所提出的3CAD包含八种不同类型的制造零件，共计27,039张高分辨率图像，这些图像标注了像素级的异常。3CAD的关键特点在于它涵盖了不同大小的异常区域、多个异常类型，并且每个异常图像可能包含多个异常区域和多个异常类型。这是首个专门用于3C产品质量控制的异常检测数据集，旨在供社区进行探索和发展。同时，我们介绍了一种简单而有效的无监督异常检测框架：一种具有恢复引导的粗到细检测范式（CFRG）。为了检测小规模缺陷异常，所提出的CFRG采用了粗到细的检测范式。具体来说，我们利用异质蒸馏模型进行粗定位，然后通过分割模型进行细定位。此外，为了更好地捕捉正常模式，我们引入了恢复特征作为引导。最后，我们报告了在3CAD数据集上应用CFRG框架和流行异常检测方法的结果，展示了强大的竞争力，并提供了一个具有挑战性的基准，以推动异常检测领域的发展。数据和代码可通过以下链接获取：https://github.com/EnquanYang2022/3CAD。

3. 效果展示

3CAD数据集示例。第一行显示正常图像，而第二行显示缺陷图像。

4. 主要贡献

1. 引入3CAD数据集 ：本文提出了3CAD数据集，这是第一个专注于3C产品零部件制造过程中的异常检测的大规模数据集。3CAD提供了来自真实生产线的27,039张高分辨率图像，并为八种不同类型的工业产品零部件提供了像素级标注，真实反映了制造场景中的异常和缺陷。

2. 提出CFRG方法 ：为了解决3CAD数据集中的挑战，本文提出了一种基于异构教师-学生网络的CFRG方法。该方法通过教师-学生网络生成粗略定位，然后通过带有恢复指导的分割网络进行精细化。这一方法有效地提升了异常检测和定位的性能。

3. 优秀的性能表现 ：CFRG在多个基准数据集上进行评估，展示了其在异常检测和定位任务中的优越表现。实验结果证明，CFRG方法相比于现有的异常检测方法，在多项评估指标上均取得了显著的提升。 推荐课程： 工业视觉检测如何检测低对比度缺陷？

4. 面向未来的研究方向 ：本文的研究为未来的异常检测方法提供了新的思路，并为进一步提高检测精度奠定了基础。未来的工作将集中于开发更先进的定位范式，以进一步增强模型的准确性和泛化能力。

5. 基本原理是啥？

CFRG（Coarse-to-Fine Recovery Guidance）方法的核心原理是结合异构的教师-学生网络，通过粗略定位与细化分割网络来进行异常检测与定位：

1. 异构教师-学生网络 ：

• 教师网络和学生网络的结构不同，旨在通过生成异构特征表示来增强模型的表达能力。教师网络负责生成全局的粗略定位，而学生网络通过学习教师网络的指导，进一步提升定位精度。
• 异构网络能够有效地处理弱缺陷区域，帮助分离正常与异常区域，从而提升定位和分类的效果。

• 在CFRG方法中，教师网络首先进行粗略的异常区域定位，识别出潜在的异常区域。这一步通过全局特征提取来捕捉异常的全局信息。

• 在粗略定位的基础上，学生网络通过细化的分割过程进一步精确化定位。恢复指导机制通过提供来自教师网络的辅助信息，帮助学生网络修正预测结果，从而优化异常区域的定位精度。
• 恢复指导有助于减少在蒸馏阶段可能引入的分布偏差，使得最终的预测更加精确。

• 该方法的核心在于从粗略定位开始，通过细化的分割网络逐步提升定位精度。通过教师-学生网络的协同工作，CFRG能够有效解决传统异常检测方法在细粒度定位上的不足，特别是在复杂的制造场景中。

6. 实验结果

CFRG方法在3CAD数据集上的实验结果表明，CFRG在多个评价指标上均超越了其他基准方法，证明了其有效性和优越性：

1. 在3CAD数据集上的表现 ：

   与嵌入式方法相比，CFRG提高了 P-AUROC （像素级AUROC）1.1%，提高了 I-AUROC （图像级AUROC）4.9%， P-PRO 提高了4.8%， AP 提高了8.8%。相比于异常合成方法，CFRG在AP上超越了DeSTSeg 7.3%。与重建方法RealNet相比，CFRG在 P-AUROC 和 I-AUROC 上分别超越了9.6%和13.3%。在统一方法UniAD和CRAD的对比中，CFRG分别提高了6.6%和10.7%的 P-AUROC ，提高了1.4%和7.2%的 I-AUROC 。

• AUROC （接收者操作特征曲线下面积）：93.4%
• AUPRO （每区域像素级重叠）：86.5%
• AP （平均精度）：82.0%
• P-PRO （像素级区域重叠）：17.6%