M-3LAB/awesome-industrial-anomaly-detection

Paper list and datasets for industrial image anomaly/defect detection (updating). 工业异常/瑕疵检测论文及数据集检索库(持续更新)。

このプロジェクトの概要

M-3LAB/awesome-industrial-anomaly-detection は、特定のAIタスクに関する厳選され、常に更新される研究リソースのリストです：画像を使用して製造製品の欠陥を見つけること（「産業異常検出」と呼ばれます）。これは、AI研究コミュニティが「awesome list」と呼ぶ種類のリポジトリです——論文、ベンチマーク、コードを手作業で選び、簡単に閲覧できるように整理したものです。

このプロジェクトは、研究グループ M-3LAB によって維持されています。READMEには、「公開データセットと関連研究について詳細に議論する」と記載され、論文を追加または再編成したい人からの貢献（プルリクエスト）を歓迎しています。

含まれる内容

このリポジトリは、基本的にこの分野の生きたインデックスであり、いくつかの主要な部分があります：

サーベイ論文——この分野の長編概要。READMEは3つにリンクしています：Machine Intelligence Research に掲載された一般的なサーベイ、最近の進歩に関する新しいサーベイ（2026）、および IM-IAD（製造業における産業画像異常検出ベンチマーク）と呼ばれるベンチマーク論文。
コード付きSOTA手法——約25の注目すべき研究論文の表で、各論文には発表場所（例：CVPR、NeurIPS、ICCV）、年、論文へのリンク、オープンソースコードへのリンク、および短いトピックラベル（例：「Teacher-Student」、「Memory-bank」、「Few Shot」、「Multi-class unified」）が含まれています。
推奨ベンチマーク——5つのベンチマークツール/ライブラリの小さな表で、Anomalib（異常検出用の深層学習ライブラリ）と IM-IAD が含まれています。
会議ごとの最近の研究——発表場所ごとにグループ化された論文（ECCV 2026、ICML 2026、CVPR 2026、ICLR 2026、AAAI 2026、NeurIPS 2025、KDD 2025、ICCV 2025、ICML 2025、CVPR 2025）。各エントリにはタイトル、論文リンク、多くの場合コードリンクがあります。
論文ツリーとタイムライン——代表的な手法の視覚的/構造的分類と、分野の進化の仕方。
分類された論文リスト——リポジトリの大部分。論文は研究アプローチごとにグループ化されています：
- 教師なしAD（正常/欠陥のない画像のみから学習する方法）：特徴埋め込みベース（教師-学生、一クラス分類、分布マップ、メモリバンク、視覚-言語）、再構成ベース（オートエンコーダ、GAN、トランスフォーマー、拡散モデル）、および教師あり変種。
- その他の研究方向：ゼロ/少数ショットAD、ノイズAD、異常合成、RGBD AD、3D AD、継続的AD、マルチクラスAD、論理AD、MLLMベースAD、ビデオIADなど。
データセットセクション——この分野で使用される公開データセットのリスト。
引用情報——研究者がこのリポジトリを引用できるようにするBibTeXエントリ。

READMEで言及されている注目すべきハイライト

AD-Copilot——産業異常検出のための「マルチモーダル大規模言語モデル」（MLLM）で、READMEは「実際の産業検査タスクで人間を上回る」と主張しています。Hugging Faceにデモがあります。
MMAD——現在のMLLMが産業品質検査官としてどの程度優れているかを評価するためのベンチマーク（ICLR 2025で発表）。
ASBench——人工異常を合成するさまざまな方法（トレーニング用）を比較するためのベンチマーク。
3D異常検出——ポイントクラウドベースの欠陥検出のための別の厳選リスト。

対象読者

これは研究リソースであり、ソフトウェアツールではありません。以下を対象としています：

産業異常検出に取り組む研究者や大学院生で、関連する論文、コード、ベンチマークを迅速に見つける必要がある人。
この分野の全体像を理解したい人——カテゴリは主要なアプローチと未解決の問題を示しています。

使用方法

目次のように閲覧します。たとえば、「少数ショット異常検出方法」を探している場合は、「3.1 Zero/Few-Shot AD」セクションに移動します。すぐに実行できる方法が必要な場合は、「コード付きSOTA手法」テーブルを確認します。READMEは貢献も奨励しています——論文を追加または再分類するためにプルリクエストを送信できます。

重要な注意点

READMEはリンクとタイトルのリストであり、チュートリアルではありません。手法がどのように機能するかを説明するのではなく、説明している論文を指し示すだけです。実際の学習は、リンクされた論文とコードを読むことで行われます。