Real-IAD: A Real-World Multi-View Dataset for Benchmarking Versatile Industrial Anomaly Detection

工业异常检测(IAD)引起了广泛关注并得到了快速发展。然而，最近IAD方法的发展因数据集限制而遇到了一些困难。一方面，大多数最先进的方法在主流数据集（如MVTec）上已经达到了饱和状态（超过99%的AUROC），方法之间的差异无法很好地区分，导致公共数据集和实际应用场景之间存在显著差距。另一方面，各种新的实际异常检测设置的研究受到数据集规模的限制，在评估结果中存在过拟合的风险。因此，我们提出了一个大规模、真实世界、多视角的工业异常检测数据集，命名为Real-IAD，包含30个不同物体的150K高分辨率图像，比现有数据集大一个数量级。它具有更大范围的缺陷区域和比例比例，比以前的数据集更具挑战性。为使数据集更接近实际应用场景，我们采用了多视角拍摄方法，并提出了样本级评估指标。此外，除了一般的无监督异常检测设置外，我们还提出了一种基于工业生产中产量率通常大于60%的观察结果的全无监督工业异常检测(FUIAD)设置，具有更多的实际应用价值。最后，我们报告了流行的IAD方法在Real-IAD数据集上的结果，提供了一个极具挑战性的基准，以促进IAD领域的发展。

提出一个大规模、真实世界、多视角的工业异常检测数据集Real-IAD，以解决现有数据集规模不足的问题，同时针对实际应用场景提出了新的Fully Unsupervised Industrial Anomaly Detection (FUIAD)设置。

采用多视角拍摄方法，提出了基于样本级别的评估指标，并在Real-IAD数据集上测试了流行的IAD方法，为IAD领域提供了具有挑战性的基准。

Real-IAD数据集包含30个不同物体的150K高分辨率图像，比现有数据集大一个数量级，具有更大范围的缺陷面积和比例，更具挑战性。论文还提出了新的FUIAD设置，并使用流行的方法在Real-IAD数据集上进行了测试。

最近的相关研究包括MVTec数据集和各种IAD方法，例如Deep SVDD和VAE-AD。