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，在工业检测和医学病变检测等领域中的应用需求和价值不断增加。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，从而导致错误的结论。本文通过提出一种综合性的视觉异常检测基准\textbf{\textit{ADer}}来解决这个问题，它是一个高度可扩展的模块化框架，适用于新方法。该基准包括多个工业和医学领域的数据集，实现了十五种最先进的方法和九种综合性度量。此外，我们还开源了GPU辅助的\href{https://pypi.org/project/ADEval}{ADEval}软件包，以解决像耗时的mAU-PRO这样的度量方法在大规模数据上评估速度缓慢的问题，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从业者的有价值的资源，促进更加强大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。

提出一个综合的视觉异常检测基准框架ADer，旨在解决在实际多类别设置下评估不同主流方法表现的问题。

ADer是一个模块化的框架，包括多个工业和医学领域的数据集，实现了15种最先进的方法和9种综合指标，同时提供了一个GPU辅助的ADEval包以加速指标的评估。通过广泛的实验结果，揭示了不同方法的优缺点，并提供了未来多类别视觉异常检测的挑战和方向。

ADer是一个全面的视觉异常检测基准框架，包括多个数据集、多种方法和多种指标。ADEval包大大减少了指标评估时间。论文提供了广泛的实验结果和未来方向。

最近的相关研究包括： 1. AnoPCN: Anomaly-Aware Predictive Coding Networks for Multimodal Anomaly Detection 2. Deep One-Class Classification with Conditional Generative Models 3. Deep Autoencoding Gaussian Mixture Model for Unsupervised Anomaly Detection