awesome-industrial-anomaly-detection

该合集是一个专注于工业图像异常/缺陷检测领域的资源集合，收录了相关公开数据集、论文列表、基准测试和框架，涵盖无监督异常检测、特征嵌入方法、重建方法等多个子领域，并持续更新最新研究进展。This collection is a curated resource repository focused on the field of industrial image anomaly and defect detection. It includes relevant public datasets, paper lists, benchmark suites and frameworks, covering multiple sub-fields such as unsupervised anomaly detection, feature embedding methods, and reconstruction methods, while continuously updating the latest research advancements.

原始信息汇总

数据集详情总结

该页面是一个关于工业图像异常检测（Industrial Anomaly Detection）的精选资源列表（Awesome List），由 M-3LAB 维护。

核心概述

该仓库汇集了工业异常检测领域的公开数据集、相关研究论文、基准测试（Benchmark）以及代码实现。其核心关键词为：异常检测（anomaly detection）、异常分割（anomaly segmentation）、工业图像（industrial image）、缺陷检测（defect detection）。

相关论文与基准

该仓库的维护者发布了多篇相关论文和基准，包括：

• Deep Industrial Image Anomaly Detection: A Survey：一篇关于该领域的综述论文，发表于 Machine Intelligence Research。
• IM-IAD: Industrial Image Anomaly Detection Benchmark in Manufacturing：一个面向制造业的工业图像异常检测基准，发表于 TCYB 2024，并提供代码 (https://github.com/M-3LAB/open-iad)。
• AD-Copilot：一个端到端训练的多模态大语言模型（MLLM），用于工业异常检测，据称在真实工业检测任务中超越了人类，提供代码 (https://github.com/jam-cc/AD-Copilot) 和演示 (https://huggingface.co/spaces/jiang-cc/AD-Copilot)。
• MMAD：首个针对多模态大语言模型（MLLM）在工业异常检测中的综合基准，发表于 ICLR 2025，提供代码 (https://github.com/jam-cc/MMAD)。
• ASBench: Image Anomalies Synthesis Benchmark for Anomaly Detection：一个图像异常合成基准。
• A Survey on Industrial Anomalies Synthesis：关于工业异常合成的综述，提供代码 (https://github.com/M-3LAB/awesome-anomaly-synthesis)。
• 3D Anomaly Detection: A Survey：关于3D异常检测的综述，提供代码 (https://github.com/M-3LAB/awesome-3d-anomaly-detection)。

研究领域分类

该页面将研究论文按照以下主要类别进行组织：

主流方法（SOTA methods with code）

包含多种方法的代表工作，如：

• Teacher-Student：如 RD4AD (CVPR 2022)。
• One-Class Classification (OCC)：如 SimpleNet (CVPR 2023)。
• Distribution Map：如 CFLOW-AD (WACV 2022), PyramidFlow (CVPR 2023)。
• Memory Bank：如 PatchCore (CVPR 2022), PNI (ICCV 2023)。
• Reconstruction-based：如 DRAEM (ICCV 2021), DSR (ECCV 2022), RealNet (CVPR 2024)。
• Multi-Class Unified：如 UniAD (NeurIPS 2022), HVQ-Trans (NeurIPS 2023), Dinomaly (CVPR 2025)。

其他研究方向

• Zero/Few-Shot AD：如 AnomalyGPT (AAAI 2024), AnoVL (arxiv 2023), RegAD (ECCV 2022)。
• Noisy AD：如 IGD (AAAI 2022), SoftPatch (NeurIPS 2022)。
• Anomaly Synthesis：指向另一个仓库 (https://github.com/M-3LAB/awesome-anomaly-synthesis)。
• RGBD AD：如 M3DM (CVPR 2023)。
• 3D AD：如 Real3D-AD (NeurIPS 2023)，并指向另一个仓库 (https://github.com/M-3LAB/awesome-3d-anomaly-detection)。
• Continual AD：如 UCAD (AAAI 2024)。
• Logical AD：如 PSAD (AAAI 2024), SALAD (ICCV 2025)。
• MLLM-based AD。

推荐基准（Recommended Benchmarks）

• Anomalib (ICIP 2022)：一个异常检测深度学习库。
• IM-IAD (TCYB 2024)：一个工业图像异常检测基准。
• ADer (arxiv 2024)：一个针对多类视觉异常检测的综合基准。
• MMAD (ICLR 2024)：针对多模态大语言模型的基准。

最新研究（Recent research）

列出了近期在顶级会议如 ICML、CVPR、ICLR、AAAI、NeurIPS、KDD、ICCV 上发表的论文，例如 ICML 2026 的 "Is Training Necessary for Anomaly Detection?"、CVPR 2026 的 "InvAD: Inversion-based Reconstruction-Free Anomaly Detection with Diffusion Models" 等。

数据集信息

页面并未直接提供具体数据集的下载链接，但提供了多个主流异常检测数据集在 Papers With Code 上的性能排行榜链接，包括：

• MVTec AD
• VisA
• MVTec LOCO AD
• MVTec 3D-AD

搜集汇总

数据集介绍

构建方式

工业异常检测领域正经历着从传统视觉方法向深度学习范式的深刻变革。该数据集以综述性资源库的形式构建，系统性地梳理了工业图像异常检测领域的公开数据集、代表性算法与前沿研究成果。其构建方式依托于对海量学术文献的深度挖掘与分类归纳，将方法按照特征嵌入、重建、监督学习等核心范式进行组织，并进一步细分为教师-学生模型、单分类、分布映射、记忆库、视觉语言模型等子类别。同时，数据集整合了包含代码实现的最新成果，并依据顶会论文时间线进行动态更新，形成了一个兼具系统性与时效性的知识架构。

特点

该数据集最显著的特征在于其全面性、层次性与动态性。全面性体现在它覆盖了从无监督、半监督到零样本、少样本等多种学习范式，囊括了逻辑异常、RGBD、3D点云、多模态等新兴研究方向。层次性则通过精细的论文分类树得以彰显，研究者可依据技术路线快速定位相关文献。动态性是该数据集的生命力所在，它实时追踪CVPR、ICLR、NeurIPS等顶级会议的最新进展，并汇总了如AD-Copilot等超越人类水平的端到端多模态大模型，确保用户始终站在领域前沿。此外，SOTA方法汇总表直接链接至代码仓库，极大便利了实验复现。

使用方法

使用该数据集时，研究者可直接通过其结构化的目录导航至感兴趣的技术分支，例如通过“Paper Tree”分类树探索特征嵌入或重建方法。对于寻求代码实现的用户，SOTA方法表格提供了直接的GitHub链接，便于快速复现与对比。数据集还推荐了Anomalib、IM-IAD等权威基准测试平台，用户可基于这些框架进行标准化评估。此外，通过“Star History”和持续更新的论文列表，研究者能够追踪领域热点演化。对于多模态、3D异常检测等细分领域，数据集提供了独立的综述与子资源库，用户可据此深入特定方向的研究生态。

背景与挑战

背景概述

工业异常检测是智能制造领域中的关键环节，旨在从生产线上自动识别产品表面的细微缺陷，确保质量管控的精准与高效。随着深度学习技术的迅猛发展，该领域吸引了众多研究者的关注，催生了大量算法与数据集的涌现。Awesome Industrial Anomaly Detection 数据集汇总项目由 M-3LAB 团队于2022年前后创建，核心研究人员来自上海交通大学等机构，旨在系统梳理工业图像异常检测领域的公开数据集、前沿方法与评测基准。该项目以 MVTec AD、VisA 等经典数据集为依托，围绕无监督、少样本、多模态等核心研究问题展开，推动了从传统重构方法到视觉-语言模型的范式演进。其发布的 IM-IAD 基准与综述论文在 Machine Intelligence Research 等期刊上发表，为业界提供了标准化评估框架，显著加速了工业质检智能化进程。

当前挑战

工业异常检测面临多维度挑战。在领域问题层面，首要挑战在于异常样本稀缺且类型多样，从表面划痕到逻辑结构异常（如部件缺失）均需精准识别，而传统方法难以泛化至未见缺陷。其次，真实工业场景中存在噪声标签与数据分布漂移，如光照变化、背景干扰等，对模型鲁棒性提出严苛要求。在构建过程中，数据集收集需平衡异常样本的多样性（如 MVTec LOCO AD 的逻辑异常）与标注成本，且 3D 点云与 RGB-D 多模态数据的对齐与标准化处理极为复杂。此外，零样本与少样本场景下的域适应难题，以及多类别统一模型在跨产品线迁移时的性能退化，仍是制约技术落地的核心瓶颈。

常用场景

经典使用场景

在工业视觉检测领域，该数据集被广泛用于评估和推动无监督异常检测算法的性能。其经典使用场景涵盖了对产品表面缺陷的识别与定位，例如在MVTec AD、VisA等标准基准上，研究者通过特征嵌入、重建或基于记忆库的方法，精准区分正常样本与各类瑕疵。这些场景不仅要求算法具备高精度检测能力，还需在像素级分割任务中展现鲁棒性，从而为自动化质检系统奠定基础。

解决学术问题

该数据集系统性地解决了工业异常检测中样本稀缺与标注成本高昂的学术难题。通过提供大规模、多样化的正常样本与少量异常实例，它支持了无监督、零样本及少样本学习范式的探索。研究者得以突破传统监督学习的局限，在无需大量人工标注的前提下，开发出能够泛化至未知缺陷类型的模型，显著推动了异常检测理论在制造领域的应用边界。

衍生相关工作

该数据集衍生了一系列开创性工作，包括基于逆向蒸馏的RD4AD、结合视觉语言模型的AnomalyGPT以及统一多类检测的UniAD。此外，它还催生了如Real3D-AD等三维点云异常检测基准，以及针对逻辑异常与噪声鲁棒性的专项研究。这些工作从不同维度深化了对异常本质的理解，形成了从特征学习到多模态融合的完整技术谱系。