面向无监督工业图像异常检测的 RGB、3D 与多模态方法综述
计算机视觉与模式识别
2025-03-24 v2
摘要
在工业信息化进程中，无监督异常检测技术有效克服了异常样本稀缺的问题，显著提升了智能制造的自动化水平和可靠性。作为重要分支，工业图像异常检测侧重于通过计算机视觉技术自动识别工业场景中的视觉异常（如产品表面缺陷、装配错误和设备外观异常）。随着无监督工业图像异常检测（UIAD）的快速发展，不仅在 RGB 设置下，而且在 3D 和多模态（RGB 与 3D）设置下均取得了优异的检测性能。然而，现有综述主要关注 RGB 设置下的 UIAD 任务，对 3D 和多模态设置的讨论较少。为填补这一空白，本文对三种模态设置下的 UIAD 任务进行了全面回顾。具体而言，我们首先介绍了 UIAD 的任务概念与流程。然后，我们概述了三种模态设置（RGB、3D 和多模态）下的 UIAD 研究，包括数据集和方法，并回顾了多模态设置下的多模态特征融合策略。最后，我们总结了 UIAD 任务在三种模态设置下面临的主要挑战，并对未来发展方向提出了见解，旨在为研究人员提供全面的参考，并为工业信息化的进步提供新视角。相关资源可在 https://github.com/Sunny5250/Awesome-Multi-Setting-UIAD 获取。
引用
@article{arxiv.2410.21982,
title = {A Survey on RGB, 3D, and Multimodal Approaches for Unsupervised Industrial Image Anomaly Detection},
author = {Yuxuan Lin and Yang Chang and Xuan Tong and Jiawen Yu and Antonio Liotta and Guofan Huang and Wei Song and Deyu Zeng and Zongze Wu and Yan Wang and Wenqiang Zhang},
journal= {arXiv preprint arXiv:2410.21982},
year = {2025}
}
备注
Accepted by Information Fusion