Survey: Deep Learning for Unsupervised Anomaly Localization in Industrial Images: A Survey:-CSDN博客

本文链接：https://blog.csdn.net/qq_45844265/article/details/135611554

本文详述了深度学习在工业图像异常定位中的应用，包括无监督学习的优势、常用方法（如图像重构、生成模型、深度特征嵌入）以及MVTecAD数据集的作用，同时讨论了关键的评估指标和挑战。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

文章信息
题目：Deep Learning for Unsupervised Anomaly Localization in Industrial Images: A Survey
原文：https://arxiv.org/abs/2207.10298
数据集：MVTec AD

一、简述
本文是对工业图像采取深度学习下无监督异常定位方法、数据集选取、评价标准选取等的介绍。首先，要明白现实工业中异常情况是远远少于正常图像的，这就造成异常图像数据实际上是有限的。但是工业中，需要将异常的情况检测出来，这就是异常检测存在的原因。我们对一系列图像数据进行学习，使得机器学习到这些异常图像的特征，获得对图像异常与否的判断和预测能力。其次，无监督学习相比监督学习可以消除对训练样本标注的成本，避免标注偏差。

1.1 异常检测和异常定位的区别
AD：异常检测，对输入图像进行判断，判断该图像是异常或正常图像(左).
AL：异常定位，对输入图像的异常情况进行查找定位，提取出图像异常的部位(右).
在这里插入图片描述 1.2 图像缺陷分类
工业上的异常一般分为2类，纹理缺陷和功能缺陷。如MVTec AD数据集中纹理缺陷占大部分，功能缺陷占少部分。下图第一行展示了MVTec AD数据集上的纹理缺陷，第二行展示了MVTec AD数据集上的功能缺陷。纹理缺陷如瓶口裂纹、榛子上的痕迹、木材表面划痕。功能缺陷主要存在MVTec AD晶体管类别数据集中，摆放位置不同会对器件造成影响。
在这里插入图片描述
1.3 常用图像检测术语含义
由于文有许多异常检测相关的术语，作者对这些术语与异常定位AL进行了区别说明.
图像分割(image segmentation)：分割侧重获取图像中特定对象，该对象可能是正常图像，没有缺陷。
图像显著性检测(image saliency detection)：优先寻找显著性区域的图像对象，但有些异常在整个图像中并不显著，如功能异常。
图像表面缺陷检测(image surface defect detection)：在工业中，AL概念很相近，简单将工业图像的异常定位等同于无监督的像素级缺陷检测。
奇异值检测(novety detection)：训练数据不包含异常