用于多类视觉异常检测基准测试的综合库
计算机视觉与模式识别
2025-08-26 v6
摘要
视觉异常检测旨在通过无监督学习范式识别图像中的异常区域，在工业检测和医学病变检测等领域具有日益增长的应用需求和价值。尽管近年来取得了显著进展，但缺乏全面的基准测试来充分评估各种主流方法在实际多类设定下跨不同数据集的性能。标准化实验设置的缺失可能导致训练轮数、分辨率和度量结果方面的潜在偏差，从而得出错误结论。本文通过提出一个全面的视觉异常检测基准测试ADer来解决这个问题，ADer是一个模块化框架，对新方法具有高度可扩展性。该基准测试包含来自工业和医学领域的多个数据集，实现了十五种最先进的方法和九种全面的度量指标。此外，我们提出了GPU辅助的ADEval包，以解决在大规模数据上耗时度量（如mAU-PRO）的评估缓慢问题，将评估时间显著减少超过1000倍。通过广泛的实验结果，我们客观地揭示了不同方法的优缺点，并提供了对多类视觉异常检测挑战和未来方向的见解。我们希望ADer能成为该领域研究人员和从业者的宝贵资源，促进更鲁棒和更通用的异常检测系统的发展。完整代码已在https://github.com/zhangzjn/ader开源。
引用
@article{arxiv.2406.03262,
title = {A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection},
author = {Jiangning Zhang and Haoyang He and Zhenye Gan and Qingdong He and Yuxuan Cai and Zhucun Xue and Yabiao Wang and Chengjie Wang and Lei Xie and Yong Liu},
journal= {arXiv preprint arXiv:2406.03262},
year = {2025}
}