VisA_Extended

VisA扩展数据集包含了每种缺陷类型的图像及其对应的地面真实分割。这个数据集用于多类型异常检测和分割的零样本学习，与ICCV 2025会议上发表的相关论文一同发布。

The VisA Extended Dataset includes images of each defect type and their corresponding ground-truth segmentations. This dataset is designed for zero-shot learning of multi-type anomaly detection and segmentation, and is released alongside the associated paper published at the ICCV 2025 conference.

搜集汇总

数据集介绍

构建方式

在工业视觉异常检测领域，VisA_Extended数据集通过系统化采集12类常见工业品的高分辨率图像构建而成。其构建过程严格区分正常样本与多类型缺陷样本，针对每种缺陷类型均提供像素级分割掩码作为真值标注。数据组织采用分层目录结构，按物品类别和缺陷类型分组存储，确保标注精度与数据可追溯性。

特点

该数据集核心特征在于其多类型缺陷标注体系，每种缺陷均配备精确的分割掩码，支持细粒度异常分析。数据涵盖照明变化、视角差异等真实工业场景变量，且所有图像均保留原始分辨率。其标注体系兼容零样本学习框架，为多缺陷类型的联合检测与分割研究提供完备基准。

使用方法

研究者可通过加载分层目录结构访问数据，利用缺陷类型标签和分割掩码训练异常检测模型。该数据集特别适用于零样本场景下的多缺陷检测任务，支持端到端训练与评估。使用时应遵循CC-BY-4.0许可协议，并引用相关论文以符合学术规范。

背景与挑战

背景概述

在计算机视觉领域，异常检测与分割技术对于工业质量控制具有重要价值。VisA_Extended数据集由Ylli Sadikaj等学者于2025年构建，并伴随ICCV会议论文《MultiADS: Defect-aware Supervision for Multi-type Anomaly Detection and Segmentation in Zero-Shot Learning》发布。该数据集针对多类型缺陷的零样本学习场景，提供了精细的像素级标注，旨在推动工业异常检测从单一缺陷类型向复杂多类型场景的范式转变，为智能制造领域的视觉检测系统提供关键数据支撑。

当前挑战

工业异常检测面临多类型缺陷同时存在的复杂场景，传统方法难以在零样本条件下实现精准定位与分类。VisA_Extended构建过程中需应对三大挑战：一是多类别缺陷的精细标注需要专业领域知识，标注一致性难以保证；二是零样本学习要求模型泛化到未见过的缺陷组合，对数据分布多样性提出更高要求；三是像素级分割标注需平衡标注精度与成本，如何高效生成高质量掩膜成为关键制约因素。

常用场景

经典使用场景

在工业视觉检测领域，VisA_Extended数据集为多类型异常检测与分割任务提供了标准化基准。研究者通过该数据集构建零样本学习框架，训练模型识别从未见过的缺陷类型，显著提升了算法在未知场景下的泛化能力。其精细的像素级标注支持缺陷定位与分类的联合优化，已成为评估异常检测模型性能的重要工具。

衍生相关工作

基于该数据集衍生的MultiADS框架开创了缺陷感知监督的新方向，后续研究相继提出基于原型学习的零样本异常检测方法。其多类型掩码标注格式被多个工业数据集采纳为标准，促进了AnoDiff等扩散模型在异常检测领域的应用，推动了缺陷解耦表示学习等前沿方向的发展。

数据集最近研究

最新研究方向

在工业视觉异常检测领域，VisA_Extended数据集通过提供多类型缺陷的精细化分割标注，为零样本学习范式下的多类别异常检测与定位研究提供了关键支撑。当前研究聚焦于构建缺陷感知的监督机制，探索跨类别泛化能力，以解决传统方法在未知缺陷类型识别中的局限性。该方向与智能制造中自适应质检系统的需求紧密关联，推动了无监督与弱监督学习在工业场景的深度融合，对提升生产线的智能化水平具有显著意义。