Real-IAD Variety：将工业异常检测数据集推向现代时代
计算机视觉与模式识别
2026-02-13 v2
摘要
工业异常检测（IAD）是确保运营安全、维护产品质量和优化制造效率的基石。然而，现有公开基准的局限性严重阻碍了IAD算法的进步。当前数据集常受限于类别多样性不足和规模不够，导致性能饱和，难以在复杂真实场景中实现良好模型迁移。为填补这一差距，我们引入Real-IAD Variety——目前规模最大且类别最丰富的IAD基准。该数据集涵盖198,950张高分辨率图像，覆盖160个不同的物体类别。该数据集通过覆盖28个行业、24种材料类型、22种颜色变体和27种缺陷类型，实现了前所未有的多样性。我们的广泛实验分析表明，该基准提出了重大挑战：领先的多类无监督异常检测方法在从30个类别扩展至160个类别时，性能会显著下降（降幅10%-20%）。相反，我们展示了零样本和少样本IAD模型在类别规模扩大方面表现出惊人的鲁棒性，保持一致性能，显著提升了在多样化工业情境中的泛化能力。这种前所未有的规模将Real-IAD Variety定位为训练和评估下一代基础IAD模型的必备资源。
引用
@article{arxiv.2511.00540,
title = {Real-IAD Variety: Pushing Industrial Anomaly Detection Dataset to a Modern Era},
author = {Wenbing Zhu and Chengjie Wang and Bin-Bin Gao and Jiangning Zhang and Guannan Jiang and Jie Hu and Zhenye Gan and Lidong Wang and Ziqing Zhou and Jianghui Zhang and Linjie Cheng and Yurui Pan and Bo Peng and Mingmin Chi and Lizhuang Ma},
journal= {arXiv preprint arXiv:2511.00540},
year = {2026}
}
备注
17 pages, 8 figures and 7 tables