Real-IAD：用于基准测试通用工业异常检测的真实世界多视角数据集
计算机视觉与模式识别
2024-03-20 v1
摘要
工业异常检测（IAD）已引起广泛关注并得到快速发展。然而，由于数据集的限制，IAD方法的最新发展遇到了一些困难。一方面，大多数最先进的方法在MVTec等主流数据集上已达到饱和（AUROC超过99%），方法之间的差异难以很好地区分，导致公开数据集与实际应用场景之间存在显著差距。另一方面，对各种新的实用异常检测设置的研究受到数据集规模的限制，存在评估结果过拟合的风险。因此，我们提出了一个大规模、真实世界、多视角的工业异常检测数据集，名为Real-IAD，包含30种不同物体的15万张高分辨率图像，比现有数据集大一个数量级。它具有更大的缺陷面积和比率范围，使其比以往的数据集更具挑战性。为了使数据集更接近真实应用场景，我们采用了多视角拍摄方法，并提出了样本级评估指标。此外，除了通用的无监督异常检测设置，基于工业生产中良率通常大于60%的观察，我们提出了一种新的完全无监督工业异常检测（FUIAD）设置，该设置具有更高的实际应用价值。最后，我们报告了流行的IAD方法在Real-IAD数据集上的结果，为促进IAD领域的发展提供了一个极具挑战性的基准。
引用
@article{arxiv.2403.12580,
title = {Real-IAD: A Real-World Multi-View Dataset for Benchmarking Versatile Industrial Anomaly Detection},
author = {Chengjie Wang and Wenbing Zhu and Bin-Bin Gao and Zhenye Gan and Jianning Zhang and Zhihao Gu and Shuguang Qian and Mingang Chen and Lizhuang Ma},
journal= {arXiv preprint arXiv:2403.12580},
year = {2024}
}
备注
It is accepted by CVPR2024