超越学术基准：视觉工业异常检测的批判性分析与最佳实践
计算机视觉与模式识别
2025-04-01 v1
摘要
异常检测 (AD) 是实现制造业视觉检查自动化的关键。计算机视觉领域正快速发展，越来越多关注实际应用。然而，流行数据集通常在受控实验室环境中制造，人工制造缺陷，无法捕捉真实生产条件的多样性。新方法常在实际生产环境中失败，出现显著性能下降，或需要不可行的计算资源。这种学术成果与工业可行性之间的脱节，可能引导视觉异常检测研究走向错误方向。本文作出三大贡献：(1) 展示了真实数据集的重要性，并使用实际生产数据建立基准；(2) 通过使用对实际应用有价值的指标，对现有 SOTA 方法在不同任务上进行公平比较；(3) 全面分析近期进展，讨论关键挑战与新视角，弥合学术界与产业界之间的鸿沟。代码已公开于 https://github.com/abc-125/viad-benchmark
引用
@article{arxiv.2503.23451,
title = {Beyond Academic Benchmarks: Critical Analysis and Best Practices for Visual Industrial Anomaly Detection},
author = {Aimira Baitieva and Yacine Bouaouni and Alexandre Briot and Dick Ameln and Souhaiel Khalfaoui and Samet Akcay},
journal= {arXiv preprint arXiv:2503.23451},
year = {2025}
}