ADer: A Comprehensive Benchmark for Multi-class Visual Anomaly Detection

视觉异常检测旨在通过无监督学习范式在图像中识别异常区域，随着工业检测和医学病变检测等领域中对其应用需求和价值的增加。尽管近年来取得了显著进展，但在实际的多类别设置下，缺乏全面的基准来充分评估各种主流方法的性能。缺乏标准化的实验设置可能导致训练时期、分辨率和度量结果的潜在偏差，进而导致错误结论。本文通过提出一个全面的视觉异常检测基准\textbf{\textit{ADer}}来解决这个问题，该基准是一个高度可扩展的模块化框架，可用于新方法的集成。该基准包括来自工业和医学领域的多个数据集，实现了15种最先进的方法和9种全面的度量标准。此外，我们开源了GPU辅助的\href{https://pypi.org/project/ADEval}{ADEval}包，以解决度量标准（如耗时的mAU-PRO）在大规模数据上的缓慢评估问题，将评估时间显著缩短了\textit{1000倍}以上。通过广泛的实验结果，我们客观地揭示了不同方法的优缺点，并提供了多类别视觉异常检测面临的挑战和未来方向的见解。我们希望\textbf{\textit{ADer}}将成为该领域研究人员和实践者的有价值的资源，促进更加稳健和可推广的异常检测系统的发展。完整的代码已附在附录中，并在\url{https://github.com/zhangzjn/ader}上开源。

本论文旨在提出一个全面的视觉异常检测基准（ADer），以解决现有方法在多类别设置下缺乏全面评估的问题。

ADer是一个高度可扩展的模块化框架，可以评估多个数据集和15种最先进的方法，使用9种全面的指标。此外，作者还开源了GPU辅助的ADEval软件包，大大减少了评估时间。

本论文的亮点包括：提出了一个全面的视觉异常检测基准ADer；使用了多个数据集和15种最先进的方法；开源了GPU辅助的ADEval软件包；提供了实验结果和对不同方法的客观评估；为研究人员和从业者提供了有价值的资源。

最近在这个领域中，还有一些相关的研究，例如：'Unsupervised anomaly detection via variational auto-encoder for seasonal kpis in web applications'和'Anomaly detection in video sequences with LSTM neural networks'。