MultiADS：面向零样本学习的多类型异常检测与分割
计算机视觉与模式识别
2025-08-07 v2
摘要
工业应用中精准的光学检验对于降低次品率和减少相关成本至关重要。除了仅检测产品是否异常外，识别不同类型的缺陷（如弯曲、切割或划痕）也至关重要。准确识别缺陷类型可实现现代生产线上异常的自动化处理。当前方法仅限于检测产品是否 defective，而未提供有关缺陷类型的任何信息，亦无法实现对多个缺陷的检测与识别。我们提出MultiADS，一种零样本学习方法，能够执行多类型异常检测与分割。MultiADS的架构包括CLIP和额外的线性层，将视觉表征与文本表征在联合特征空间中对齐。据我们所知，MultiADS是首个在零样本学习中实现多类型异常分割任务的方法。与其他基线方法不同，MultiADS i)为每种 distinct 缺陷类型生成特定的异常掩码，ii)学习区分缺陷类型，iii)同时识别异常产品中存在的多个缺陷类型。此外，MultiADS在MVTec-AD、Visa、MPDD、MAD和Real-IAD五个常用数据集上，在图像级和像素级异常检测与分割任务上超越了零/少样本学习SOTA方法。
引用
@article{arxiv.2504.06740,
title = {MultiADS: Defect-aware Supervision for Multi-type Anomaly Detection and Segmentation in Zero-Shot Learning},
author = {Ylli Sadikaj and Hongkuan Zhou and Lavdim Halilaj and Stefan Schmid and Steffen Staab and Claudia Plant},
journal= {arXiv preprint arXiv:2504.06740},
year = {2025}
}