Eyecandies：用于无监督多模态异常检测与定位的数据集

我们提出Eyecandies，一个用于无监督异常检测与定位的新颖合成数据集。在受控环境下，于多种光照条件中渲染程序化生成的糖果的照片级真实感图像，并在工业传送带场景中同时提供深度图与法线图。我们提供无异常样本用于模型训练与验证，而仅测试集提供带有精确真实标注的异常实例。该数据集包含十类糖果，每类呈现不同挑战，如复杂纹理、自遮挡与高光。此外，我们通过随机抽取程序化渲染流程的关键参数实现较大的类内差异，从而能生成任意数量的具有照片级真实感外观的实例。同样，异常被注入渲染图且像素级标注自动生成，克服了人为偏差与可能的不一致性。我们相信该数据集可鼓励探索解决异常检测任务的原创方法，例如结合颜色、深度与法线图，因为大多数现有数据集并不提供这些信息。事实上，为展示利用额外信息如何实际带来更高检测性能，我们给出了通过训练深度卷积自编码器重建不同输入组合所获得的结果。