企业官网建设流程全解析

如有侵权或其他问题，欢迎留言联系更正或删除。

出处：NeurIPS 2024

论文链接：2404.06564

代码链接：lewandofskee/MambaAD: [NeurIPS 2024] Official implementation of MambaAD: Exploring State Space Models for Multi-class Unsupervised Anomaly Detection.

1. visual Anomaly Detection (AD) 视觉异常检测任务 解决范式简介

single - class AD：针对不同视觉异常类型，采用不同模型进行异常检测 →

1. 训练时间及内存耗费多；2.难以处理 “类间差异较小” 的情况；

multi - class AD：UniAD、HVQ-Trans、DiAD（扩散）、ViTAD（ViT）

与 RD4AD 及 UniAD 比较：RD4AD 基于 CNN，缺乏长程依赖性；UniAD 基于 transformer，二次计算复杂度、检测尺度单一；而 MambaAD 则能有效综合

2. 无监督视觉异常检测任务 解决范式简介

1）基于嵌入的方法 (Embedding-based methods)：侧重于将 RGB 图像编码为多通道特征；

劣势：采用预训练网络，预训练数据与工业数据存在 “域间差异”；

常见方法：PatchCore、DifferNet ...

2）基于合成的方法 (Synthesizing-based methods)：异常合成；

劣势：“合成异常” 与 “实际异常” 比较，存在 “域间差异”；

常见方法：DREAM、NSA ...

3）基于重建的方法 (Reconstruction-based methods)：重建图像，减少对预训练模型的依赖；

劣势：模型的泛化有时会导致在精确定位异常区域时的不准确性；

常见方法：Autoencoder、Transformers、GANs、diffusion models 为算法骨架 ...

3. 具体的算法框架

4. 实验结果