DINO 算法生成具有可解释注意力图的模型：最后一个注意力层自然地关注图像语义一致的部分（图 2）。这允许对象发现算法，例如 LOST。但是，由于特征图中存在伪...

DINO 算法生成具有可解释注意力图的模型：最后一个注意力层自然地关注图像语义一致的部分（图 2）。这允许对象发现算法，例如 LOST。但是，由于特征图中存在伪...

Anomaly-OV通过仅使用视觉编码器，直接在特征空间中学习具有物体感知能力的异常嵌入。受人类在视觉检测中行为的启发，Anomaly-OV采用了一种“再看一眼...

提出了AD-DINOv3，这是首个将DINOv3适配于零样本异常检测的框架，填补了自监督视觉编码器与异常检测任务之间的空白。

Padim主要是通过CNN网络在一系列正常样本生成特征向量，计算特征向量的多个方差高斯矩阵，获取正常样本的特征数据分布，然后对输入的样本图像，计算它的特征向量与...

在本文中，我们提出了一个通过多模态协作学习命名的ZS-3D异常检测框架，名为MCL AD，如图所示。

我们描述PromptAD框架，首先概述整体结构，再详细说明各个组件。PromptAD基于共享的CLIP模型构建了两个互补的分支，异常分支直接对可用异常样本的分布...

在工业制造领域，产品质量是生命线，而表面缺陷检测是保障产品质量的关键环节。传统的人工检测方法效率低下、容易疲劳且标准不一，而基于有监督深度学习的方案需要大量带有...

深度学习算法能够自动从大量数据中学习特征，无需人工设计复杂的特征提取规则，从而实现自动化检测。

SUPERAD方法的核心思想是对于数据集中的每个类别，构建一个包含16张正常参考图像的记忆库。这些参考图像的选择遵循两步程序。首先使用DINOv2模型从所有训练...

AA-CLIP- 两阶段异常感知CLIP，是最新的零样本异常检测模型，支持文本与图像输入编码，特征比对实现工业与医疗图像的异常分类与分割。官方地址如下：

在工业缺陷检测领域，面临着样本数目跟缺陷类别的考验，工业缺陷异常检测方法已经从传统的卷积神经网络方法演化到更高级的零样本检测模型。

Padim主要是通过CNN网络在一系列正常样本生成特征向量，计算特征向量的多个方差高斯矩阵，获取正常样本的特征数据分布，然后对输入的样本图像，计算它的特征向量与...

【导读】CostFilter-AD通过构建异常代价体并滤波来优化异常检测，能精准识别微小缺陷，无需缺陷样本训练。可作为通用插件提升现有检测系统，帮助工厂提前发现...

异常检测库最新anomalib2.0 已经支持多种已经检测模型从训练到部署，同时支持多种推理方式。模型训练支持包含：

Anomalib 是一个深度学习库，旨在收集最先进的异常检测算法，以便在公共和私有数据集上进行基准测试。Anomalib 提供了几个预先实现的异常检测算法的实现...

多模态大模型（MLLM）是一种能同时理解和生成文本、图像、音频、视频等多种信息类型的AI系统。其核心在于通过统一的架构（通常基于强大的大语言模型）整合不同模态的...

作者认为VLM异常检测存在结构过度滥用，文本提示并非必须等问题，为解决这些问题，本文重新思考了视觉-语言模型在异常检测中的核心机制，并提出了一种极其简洁、实现了...

WinCLIP采用相对直接的方法，通过精心设计的提示集成与基于窗口的密集视觉特征采样相结合。

在进入审稿流程的16092篇论文中，程序委员会最终推荐录用4090篇，录用率25.42%。