Eyecandies

Eyecandies数据集是由Eyecan.ai创建的一个新颖的合成数据集，专为无监督异常检测和定位设计。该数据集包含10类糖果的图像，每类糖果在工业传送带场景下，在多种光照条件下渲染而成，同时提供深度和法线图。数据集提供无缺陷样本用于模型训练和验证，而异常实例仅在测试集中提供，并附有精确的地面实况标注。该数据集旨在通过结合颜色、深度和法线图等额外信息，鼓励探索解决异常检测任务的新方法，特别是在工业质量保证等领域。

The Eyecandies Dataset is a novel synthetic dataset developed by Eyecan.ai, exclusively designed for unsupervised anomaly detection and localization tasks. It comprises images of 10 categories of candies, rendered under diverse lighting conditions within an industrial conveyor belt setting, paired with corresponding depth maps and normal maps. The dataset offers defect-free samples for model training and validation, whereas anomalous instances are exclusively present in the test split, together with accurate ground-truth annotations. This dataset is intended to facilitate the exploration of innovative solutions for anomaly detection tasks, particularly in domains such as industrial quality assurance, by leveraging supplementary information including color, depth and normal maps.

搜集汇总

数据集介绍

构建方式

Eyecandies 数据集通过 Blender 3D 建模软件和 BlenderProc 包创建了一个由 10 个类别糖果组成的虚拟场景，每个类别都包含独特的形状、纹理和材质。这些糖果实例通过随机调整模型参数来生成，从而实现照片级真实感和类别内变异。数据集包括无缺陷样本用于训练和验证，以及带有精确地面真实标注的异常实例用于测试。此外，数据集还提供了在不同光照条件下渲染的 RGB 彩色图像，以及深度图和法线图，以促进对 3D 数据在异常检测任务中的应用探索。

特点

Eyecandies 数据集具有以下特点：1. 包含 10 个类别的糖果，每个类别都展示不同的挑战，例如复杂纹理、自遮挡和镜面反射；2. 通过随机绘制程序化渲染流程的关键参数，实现了类别内的大变异，从而可以创建任意数量的具有照片级外观的实例；3. 异常被注入到渲染图中，并自动生成像素级标注，克服了人为偏差和可能的错误；4. 数据集包括无缺陷样本用于训练和验证，以及带有精确地面真实标注的异常实例用于测试；5. 为每个样本提供六种不同控制光照条件下的渲染，以及地面真实深度和法线图。

使用方法

Eyecandies 数据集可用于评估和比较无监督异常检测和定位方法。用户可以访问 Eyecandies 网站（https://eyecanai.github.io/eyecandies）来探索数据集，并使用 GitHub（https://github.com/eyecan-ai/eyecandies）上的示例和教程来学习如何使用数据集。数据集包含无缺陷样本用于训练和验证，以及带有精确地面真实标注的异常实例用于测试。此外，数据集还提供了在不同光照条件下渲染的 RGB 彩色图像，以及深度图和法线图，以促进对 3D 数据在异常检测任务中的应用探索。

背景与挑战

背景概述

在视觉异常检测领域，Eyecandies 数据集的创建旨在解决实际应用中收集和标注真实世界异常数据的困难。该数据集由 Eyecan.ai 团队于 2022 年开发，旨在为无监督多模态异常检测和定位提供一个新的基准。Eyecandies 数据集包含 10 个类别的糖果、饼干和甜食，每个类别都展示了不同的挑战，例如复杂的纹理、自遮挡和镜面反射。数据集的每个样本都提供了六种渲染，在不同的光照条件下拍摄，并提供了深度和法线图，以促进对多模态信息的探索。Eyecandies 数据集为无监督异常检测研究提供了一个宝贵的资源，有助于推动该领域的发展。

当前挑战

Eyecandies 数据集面临的挑战主要包括：1) 所解决的领域问题：Eyecandies 数据集旨在解决无监督异常检测和定位问题，这是一个具有挑战性的任务，因为模型需要在没有异常样本的情况下学习识别异常。2) 构建过程中所遇到的挑战：Eyecandies 数据集的构建过程中，研究人员需要解决如何生成具有高度真实感和类内变异性的合成图像，以及如何自动生成像素级精确的异常标注。此外，研究人员还需要探索如何有效地利用深度、法线图和光照模式等多模态信息来提高异常检测性能。

常用场景

经典使用场景

Eyecandies 数据集在无监督多模态异常检测和定位任务中展现出其经典的使用场景。该数据集包含了由程序生成的糖果照片级真实图像，在多种光照条件下渲染，并提供深度和法线图，适用于工业传送带场景。数据集提供了无异常样本用于模型训练和验证，而具有精确标注的异常实例则仅在测试集中提供。该数据集包含十类糖果，每类糖果都展现出不同的挑战，例如复杂纹理、自遮挡和镜面反射等。此外，通过随机抽取程序渲染流程的关键参数，实现了类内的大幅变化，从而能够创建任意数量的具有照片级外观的实例。同样，异常被注入到渲染图中，并自动生成像素级标注，克服了人为偏差和可能的错误。

解决学术问题

Eyecandies 数据集解决了无监督异常检测和定位任务中的一些常见学术研究问题。首先，该数据集提供了一个大规模的合成数据集，克服了现实世界数据收集成本高的问题。其次，该数据集包含了多种类型的异常，包括颜色变化、形状变形和表面缺陷等，能够帮助研究人员更好地理解异常检测任务的复杂性。此外，该数据集还提供了深度和法线图，为探索三维信息在异常检测中的应用提供了新的可能性。

衍生相关工作

Eyecandies 数据集衍生了大量的相关工作。例如，研究人员可以利用该数据集训练深度学习模型，并探索不同的异常检测算法。此外，该数据集还可以用于评估异常检测模型的性能，并与其他数据集进行比较。