AnomalyGPT，首个工业级异常检测的视觉语言大模型！
它不仅无需手动设置阈值就可指示异常的存在和位置，还在提供很少正常样本的工业场景中取得了业内最好性能，
实现了零样本异常检测！
方法对比图
实际上，不仅是以AnomalyGPT为代表的
大模型+工业异常检测
效果优秀，研究者们还提出了
无监督/有监督工业异常检测、小样本+工业异常检测等。
这类深度学习工业异常检测方法不仅
提高了检测的准确性与效率
，还能让模型更好地适应复杂的工业环境和不断变化的生产条件，无论
在工业界还是学术界都一直是热门。
为方便同学们理解，我这次整理了
107篇
相关顶会论文
，系统地梳理了这些工业异常检测的方法，帮助同学们快速找到自己的idea发出顶会。论文原文以及开源代码也整理了，更多细节建议看原文。
扫码添加小享，
回复“
检测107
”
免费获取
全部论文+开源代码
大模型+工业异常检测
AnomalyGPT: Detecting Industrial Anomalies Using Large Vision-Language Models
方法：
论文介绍了一种名为AnomalyGPT的方法，利用大型视觉-语言模型（LVLM）进行工业异常检测（IAD）任务。LVLM通过合成的异常视觉-文本数据进行微调，将IAD知识融入模型中。为了解决数据稀缺和细粒度语义的问题，论文使用了prompt embeddings和轻量级的基于特征匹配的解码器。
创新点：
-
首次成功将LVLM应用于工业异常检测领域，实现了多轮对话的异常检测和定位，无需手动调整阈值。
-
提出了一种轻量级的基于视觉-文本特征匹配的解码器，用于生成像素级异常定位结果，并将解码器的输出与原始测试图像一起引入LVLM，提高了判断准确性。
无监督工业异常检测
A Discrepancy Aware Framework for Robust Anomaly Detection
方法：
论文提出了一种名为Discrepancy Aware Framework（DAF）的简单且鲁棒的自监督框架，通过引入教师-学生网络以及合成异常图像来学习差异特征，从而减轻对合成外观的依赖，并在两个具有挑战性的数据集上进行了广泛的实验以证明其鲁棒性和优越性能。
创新点：
-
提出了一种名为DAF（Discrepancy Aware Framework）的简单而强大的自监督框架，用于图像异常检测和定位，消除了复杂的合成调整步骤的实际需求。
-
将教师-学生网络与自监督范式相结合，利用丰富的合成异常图像学习差异特征，从而缓解非正常外观的过拟合问题。
扫码添加小享，
回复“
检测107
”
免费获取
全部论文+开源代码
有监督工业异常检测
Anomaly Heterogeneity Learning for Open-set Supervised Anomaly Detection
方法：
本文提出了一种名为AHL的新颖框架，用于解决开放式监督异常检测(OSAD)问题。与当前将异常样本视为同质分布的方法不同，AHL利用有限的异常样本来学习异构异常分布。
AHL首先通过将细粒度的正常样本分布与随机选择的异常样本相结合，模拟了各种异构异常分布。然后，AHL通过在替代开放集环境中进行迭代验证和调整模型的方式，进行协同可微学习，合成了所有这些异常分布，从而学习到了一个异构异常模型。此外，AHL是一个通用的框架，可以将现有的OSAD模型插入其中，以增强它们的异常建模能力。
创新点：
-
AHL通过学习有限的异常样本来学习异构异常分布，从而实现对未知异常的更广义检测。
-
AHL通过模拟多样的异构异常分布并利用它们来学习统一的异构异常模型，实现了更优化的异常分布学习。
-
AHL是一个通用的框架，可以将不同的OSAD模型的特征和损失函数插入其中，从而获得显著提高的检测性能。
小样本工业异常检测
