Awesome-Multi-Setting-UIAD|工业异常检测数据集|数据集分类数据集

一个关于工业异常检测方法和数据集的分类（持续更新）。

原始信息汇总

Awesome-Multi-Setting-UIAD 数据集概述

数据集分类

• RGB UIAD: 主要包含基于RGB图像的无监督工业异常检测方法和数据集。
• 3D UIAD: 主要包含基于3D数据（如点云）的无监督工业异常检测方法和数据集。
• Multimodal UIAD: 主要包含多模态数据（如RGB图像和点云）的无监督工业异常检测方法和数据集。

RGB UIAD 数据集

| 数据集 | 资源 | 年份 | 类型 | 训练集 | 测试集（正常） | 测试集（异常） | 验证集 | 总数 | 类别数 | 异常类型 | 模态类型 | |:--------|:--------:|:--------:|:--------:|:--------:|:--------:|:--------:|:--------:|:--------:|:--------:|:--------:| | MVTec AD <br> | Data | 2019 | Real | 3629 | 467 | 1258 | - | 5354 | 15 | 73 | RGB | | BTAD <br> | Data | 2021 | Real | 1799 | 451 | 290 | - | 2540 | 3 | - | RGB | | MPDD <br> | Data | 2021 | Real | 888 | 176 | 282 | - | 1346 | 6 | - | RGB | | MVTec LOCO-AD <br> | Data | 2022 | Real | 1772 | 575 | 993 | 304 | 3644 | 5 | 89 | RGB | | VisA <br> | Data | 2022 | Real | 9621 | 0 | 1200 | - | 10821 | 12 | - | RGB | | GoodsAD <br> | Data | 2023 | Real | 3136 | 1328 | 1660 | - | 6124 | 6 | - | RGB | | CID <br> | Data | 2024 | Real | 3900 | 33 | 360 | - | 4293 | 1 | 6 | RGB | | Real-IAD <br> | Data | 2024 | Real | 72840 | 0 | 78210 | - | 151050 | 30 | 8 | RGB | | RAD <br> | Data | 2024 | Real | 213 | 73 | 1224 | - | 1510 | 4 | - | RGB | | MIAD <br> | Data | 2023 | Synthetic | 70000 | 17500 | 17500 | - | 105000 | 7 | 13 | RGB | | MAD-Sim <br> | Data | 2023 | Synthetic | 4200 | 638 | 4951 | - | 9789 | 20 | 3 | RGB | | DTD-Synthetic <br> | Data | 2024 | Synthetic | 1200 | 357 | 947 | - | 2504 | 12 | - | RGB |

3D UIAD 数据集

| 数据集 | 资源 | 年份 | 类型 | 训练集 | 测试集（正常） | 测试集（异常） | 验证集 | 总数 | 类别数 | 异常类型 | 模态类型 | |:--------|:--------:|:--------:|:--------:|:--------:|:--------:|:--------:|:--------:|:--------:|:--------:|:--------:| | Real3D-AD <br> | data | 2023 | Real | 48 | 604 | 602 | - | 1254 | 12 | 3 | Point cloud | | Anomaly-ShapeNet <br> | data | 2023 | Synthetic | 208 | 780 | 943 | - | 1931 | 50 | 7 | Point cloud |

Multimodal UIAD 数据集

| 数据集 | 资源 | 年份 | 类型 | 训练集 | 测试集（正常） | 测试集（异常） | 验证集 | 总数 | 类别数 | 异常类型 | 模态类型 | |:--------|:--------:|:--------:|:--------:|:--------:|:--------:|:--------:|:--------:|:--------:|:--------:|:--------:| | MVTec 3D-AD <br> | data | 2021 | Real | 2656 | 294 | 948 | 294 | 4147 | 10 | 41 | RGB & Point cloud | | PD-REAL <br> | data | 2023 | Real | 2399 | 300 | 530 | 300 | 3529 | 15 | 6 | RGB & Point cloud | | Eyecandies <br> | data | 2022 | Synthetic | 10000 | 2250 | 2250 | 1000 | 15500 | 10 | - | RGB & Depth |

AI搜集汇总

数据集介绍

构建方式

Awesome-Multi-Setting-UIAD数据集的构建基于多种工业异常检测（UIAD）方法和数据集的分类与整合。该数据集涵盖了RGB、3D和多模态UIAD的多个子领域，包括但不限于MVTec AD、BTAD、MPDD等真实世界数据集，以及MIAD、MAD-Sim等合成数据集。这些数据集通过详细的元数据记录，如训练集、测试集（正常和异常）、验证集、总样本数、类别数和异常类型等信息，确保了数据集的全面性和可追溯性。此外，数据集还包含了多种方法的分类，如教师-学生架构、单类分类、分布图、记忆库和自编码器重建等，为研究者提供了丰富的实验和比较基础。

特点

Awesome-Multi-Setting-UIAD数据集的主要特点在于其多设置的全面性和方法的多样性。首先，数据集涵盖了从真实世界到合成数据的广泛来源，确保了数据的多源性和代表性。其次，数据集包含了多种异常检测方法的分类，从教师-学生架构到自编码器重建，提供了多种技术路径的比较和选择。此外，数据集的元数据记录详细，包括样本数量、类别分布和异常类型等，为研究者提供了深入分析和模型评估的依据。最后，数据集的持续更新机制确保了其时效性和前沿性，为工业异常检测领域的持续研究提供了坚实的基础。

使用方法

Awesome-Multi-Setting-UIAD数据集的使用方法多样，适用于不同层次和需求的研究和应用。首先，研究者可以通过访问数据集的GitHub页面获取详细的数据集信息和下载链接，进行本地数据集的构建和预处理。其次，数据集提供了多种方法的代码实现和参考文献，方便研究者进行方法的复现和比较。此外，数据集的分类和元数据记录为研究者提供了丰富的实验设计和模型评估的依据，支持从基础研究到应用开发的多种需求。最后，数据集的持续更新机制确保了研究者可以获取最新的数据和方法，保持研究的前沿性和竞争力。

背景与挑战

背景概述

Awesome-Multi-Setting-UIAD数据集是由一群专注于无监督工业异常检测（UIAD）的研究人员和机构创建的。该数据集的构建始于2019年，旨在通过收集和分类多种设置下的UIAD方法和数据集，推动工业异常检测领域的发展。核心研究问题集中在如何在不依赖标注数据的情况下，有效地检测和定位工业环境中的异常。该数据集的创建不仅为研究人员提供了一个全面的资源库，还促进了多种无监督学习方法的比较和优化，对工业自动化和质量控制领域产生了深远影响。

当前挑战

Awesome-Multi-Setting-UIAD数据集在构建过程中面临多重挑战。首先，数据集的多样性要求研究人员在不同设置下进行实验，这增加了数据收集和处理的复杂性。其次，无监督学习方法的应用在缺乏标注数据的情况下，如何确保检测的准确性和可靠性是一个重大挑战。此外，数据集的更新和维护需要持续的投入，以确保其与最新研究成果的同步。最后，跨领域的知识融合和方法创新是提升数据集应用价值的关键，但也是一项艰巨的任务。

常用场景

经典使用场景

在工业异常检测领域，Awesome-Multi-Setting-UIAD数据集被广泛应用于无监督异常检测方法的评估与开发。该数据集涵盖了多种工业场景，包括但不限于制造业、电子产品和食品加工等，为研究者提供了一个全面的测试平台。通过使用该数据集，研究者可以验证其算法在不同环境下的鲁棒性和准确性，从而推动无监督异常检测技术的发展。

实际应用

在实际应用中，Awesome-Multi-Setting-UIAD数据集被广泛用于工业自动化生产线上的异常检测系统。例如，在制造业中，该数据集帮助企业实时监控生产过程中的异常情况，及时发现并处理质量问题，从而提高生产效率和产品质量。此外，该数据集还被应用于电子产品和食品加工行业，确保产品的一致性和安全性，减少人工检测的成本和误差。

衍生相关工作

基于Awesome-Multi-Setting-UIAD数据集，研究者们开发了多种经典的无监督异常检测算法，如基于教师-学生架构的US方法和基于分布图的FastFlow方法。这些算法不仅在学术界引起了广泛关注，也在工业界得到了实际应用。此外，该数据集还催生了多篇高影响力的研究论文，如《A Survey on RGB, 3D, and Multimodal Approaches for Unsupervised Industrial Anomaly Detection》，进一步推动了无监督异常检测领域的发展。