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)。

이 프로젝트가 무엇인가

M-3LAB/awesome-industrial-anomaly-detection은 특정 AI 작업에 대한 선별되고 지속적으로 업데이트되는 연구 리소스 목록입니다: 이미지를 사용하여 제조 제품의 결함 찾기("산업 이상 감지"라고 함). AI 연구 커뮤니티에서 "awesome list"라고 부르는 종류의 저장소입니다 — 논문, 벤치마크, 코드를 손수 선택하여 쉽게 탐색할 수 있도록 정리한 것입니다.

이 프로젝트는 연구 그룹 M-3LAB에 의해 유지 관리됩니다. README에는 "공개 데이터 세트와 관련 연구를 자세히 논의한다"고 명시되어 있으며, 논문을 추가하거나 재구성하려는 모든 사람의 기여(풀 리퀘스트)를 환영합니다.

포함 내용

이 저장소는 기본적으로 이 분야의 살아있는 색인이며, 몇 가지 주요 부분이 있습니다:

서베이 논문 — 분야에 대한 장문 개요. README는 세 가지를 링크합니다: Machine Intelligence Research에 게재된 일반 서베이, 최근 발전에 대한 새로운 서베이(2026), 그리고 IM-IAD(제조업의 산업 이미지 이상 감지 벤치마크)라는 벤치마크 논문.
코드가 포함된 SOTA 방법 — 약 25개의 주목할 만한 연구 논문 표로, 각 논문에는 발표 장소(예: CVPR, NeurIPS, ICCV), 연도, 논문 링크, 오픈 소스 코드 링크, 짧은 주제 레이블(예: "Teacher-Student", "Memory-bank", "Few Shot", "Multi-class unified")이 포함됩니다.
권장 벤치마크 — 5개의 벤치마크 도구/라이브러리로 구성된 작은 표로, Anomalib(이상 감지용 딥 러닝 라이브러리)과 IM-IAD가 포함됩니다.
컨퍼런스별 최근 연구 — 발표 장소별로 그룹화된 논문(ECCV 2026, ICML 2026, CVPR 2026, ICLR 2026, AAAI 2026, NeurIPS 2025, KDD 2025, ICCV 2025, ICML 2025, CVPR 2025). 각 항목에는 제목, 논문 링크, 종종 코드 링크가 있습니다.
논문 트리 및 타임라인 — 대표적인 방법의 시각적/구조적 분류와 분야의 진화 방식.
분류된 논문 목록 — 저장소의 대부분. 논문은 연구 접근 방식별로 그룹화됩니다:
- 비지도 AD(정상/무결함 이미지에서만 학습하는 방법): 특징 임베딩 기반(교사-학생, 일등급 분류, 분포 맵, 메모리 뱅크, 비전-언어), 재구성 기반(오토인코더, GAN, 트랜스포머, 확산 모델), 및 지도 변형.
- 기타 연구 방향: 제로/퓨 샷 AD, 노이즈 AD, 이상 합성, RGBD AD, 3D AD, 지속적 AD, 다중 클래스 AD, 논리적 AD, MLLM 기반 AD, 비디오 IAD 등.
데이터 세트 섹션 — 이 분야에서 사용되는 공개 데이터 세트 목록.
인용 정보 — 연구자가 이 저장소를 인용할 수 있도록 하는 BibTeX 항목.

README에서 언급된 주목할 만한 하이라이트

AD-Copilot — 산업 이상 감지를 위한 "멀티모달 대규모 언어 모델"(MLLM)로, README는 "실제 산업 검사 작업에서 인간을 능가한다"고 주장합니다. Hugging Face에 데모가 있습니다.
MMAD — 현재 MLLM이 산업 품질 검사관으로서 얼마나 잘 수행하는지 평가하기 위한 벤치마크(ICLR 2025에서 발표).
ASBench — 인공 이상 합성 방법(훈련용)을 비교하기 위한 벤치마크.
3D 이상 감지 — 포인트 클라우드 기반 결함 감지를 위한 별도의 선별 목록.

대상 사용자

이것은 연구 리소스이며 소프트웨어 도구가 아닙니다. 다음을 대상으로 합니다:

산업 이상 감지에 종사하는 연구자와 대학원생으로, 관련 논문, 코드, 벤치마크를 빠르게 찾아야 하는 사람.
이 분야의 전체적인 그림을 이해하려는 모든 사람 — 카테고리는 주요 접근 방식과 미해결 문제를 보여줍니다.

사용 방법

목차처럼 탐색합니다. 예를 들어, "퓨 샷 이상 감지 방법"을 찾고 있다면 "3.1 Zero/Few-Shot AD" 섹션으로 이동합니다. 바로 실행할 수 있는 방법이 필요하다면 "코드가 포함된 SOTA 방법" 표를 확인합니다. README는 기여도 장려합니다 — 논문을 추가하거나 재분류하기 위해 풀 리퀘스트를 제출할 수 있습니다.

주요 주의 사항

README는 링크와 제목의 목록이며 튜토리얼이 아닙니다. 방법이 어떻게 작동하는지 설명하지 않습니다 — 설명하는 논문을 가리킬 뿐입니다. 실제 학습은 링크된 논문과 코드를 읽음으로써 이루어집니다.