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

这个项目是什么

M-3LAB/awesome-industrial-anomaly-detection 是一个精选且持续更新的研究资源列表，针对一个特定的 AI 任务：使用图像检测制造产品中的缺陷（称为“工业异常检测”）。它是 AI 研究社区所称的“awesome list”类型的仓库——一个手工挑选的论文、基准和代码集合，便于浏览。

该项目由研究小组 M-3LAB 维护。README 中说明他们“详细讨论公共数据集和相关研究”，并欢迎任何人通过拉取请求添加或重新组织论文。

它包含什么

该仓库本质上是该领域的活索引，包含几个主要部分：

• 综述论文——该领域的长期概述。README 链接到三篇：一篇发表在 Machine Intelligence Research 上的通用综述，一篇关于近期进展的新综述（2026），以及一篇名为 IM-IAD（制造业中的工业图像异常检测基准）的基准论文。
• 带代码的 SOTA 方法——一个包含约 25 篇著名研究论文的表格，每篇都包含发表场所（如 CVPR、NeurIPS、ICCV）、年份、论文链接、开源代码链接以及简短的主题标签（如“Teacher-Student”、“Memory-bank”、“Few Shot”、“Multi-class unified”）。
• 推荐基准——一个较小的表格，包含 5 个基准工具/库，包括 Anomalib（一个用于异常检测的深度学习库）和 IM-IAD。
• 按会议分类的最新研究——按发表地点分组的论文（ECCV 2026、ICML 2026、CVPR 2026、ICLR 2026、AAAI 2026、NeurIPS 2025、KDD 2025、ICCV 2025、ICML 2025、CVPR 2025）。每个条目都有标题、论文链接，通常还有代码链接。
• 论文树和时间线——代表性方法的视觉/结构分类以及该领域的演变过程。
• 分类论文列表——仓库的主体。论文按研究方法分组：
  • 无监督 AD（仅从正常/无缺陷图像中学习的方法）：基于特征嵌入的（教师-学生、单类分类、分布图、记忆库、视觉-语言）、基于重建的（自编码器、GAN、Transformer、扩散模型）以及监督变体。
  • 其他研究方向：零样本/少样本 AD、噪声 AD、异常合成、RGBD AD、3D AD、持续 AD、多类 AD、逻辑 AD、基于 MLLM 的 AD、视频 IAD 等。
• 数据集部分——该领域使用的公共数据集列表。
• 引用信息——一个 BibTeX 条目，供研究人员引用该仓库。

README 中提到的显著亮点

• AD-Copilot——一个用于工业异常检测的“多模态大语言模型”（MLLM），README 声称它“在真实工业检测任务上超越人类”。它在 Hugging Face 上有一个演示。
• MMAD——一个用于评估当前 MLLM 作为工业质量检验员表现的基准（发表于 ICLR 2025）。
• ASBench——一个用于比较不同人工异常合成方法（用于训练）的基准。
• 3D 异常检测——一个单独的精选列表，用于基于点云的缺陷检测。

适合谁

这是一个研究资源，而非软件工具。它面向：

• 从事工业异常检测的研究人员和研究生，需要快速找到相关论文、代码和基准。
• 任何想了解该领域概况的人——分类显示了主要方法和开放问题。

如何使用

你可以像浏览目录一样浏览它。例如，如果你想找“少样本异常检测方法”，可以转到“3.1 Zero/Few-Shot AD”部分。如果你想要一个可直接运行的方法，可以查看“带代码的 SOTA 方法”表格。README 还鼓励贡献——你可以提交拉取请求来添加或重新分类论文。

关键注意事项

README 是一个链接和标题的列表，而非教程。它不解释方法的工作原理——它只是指向解释这些方法的论文。实际学习需要阅读链接的论文和代码。