open-IAD

IM-IAD: Industrial Image Anomaly Detection Benchmark in Manufacturing

CFA

Glass

CSFlow

Cross-Scale Flow for Anomaly Detection

CNN

CNN是缺陷检测中最基础和广泛使用的深度学习算法。通过多层卷积运算提取图像特征，结合池化层和全连接层实现缺陷分类。 典型架构包括ResNet、VGG等，可以有效识别产品表面的各类缺陷特征。适用于有大量标注数据的场景。

自编码器

自编码器通过无监督学习方式学习正常样本的特征分布，对异常样品进行检测。其特点是只需要正常样本可训练， 通过重建误差判断缺陷。包括传统自编码器、变分自编码器(VAE)和卷积自编码器(CAE)等变体。特别适合缺陷样本稀少的场景。

Transformer视觉检测

基于Vision Transformer的缺陷检测方法，通过自注意力机制捕捉图像的全局和局部特征。相比传统CNN， 具有更强的特征提取能力和更好的长距离依赖建模能力。支持多尺度特征融合，适合复杂场景下的缺陷检测任务。

YOLOv5缺陷检测

基于YOLOv5的实时缺陷检测算法，采用单阶段检测架构，能够同时实现缺陷定位和分类。 具有较快的检测速度和较高的准确率，支持多尺度预测，适合工业生产线的实时检测需求。 通过anchor-based的方式进行目标检测，支持多类别缺陷的同时检测。

小样本缺陷检测 (Few-Shot)

基于元学习的小样本缺陷检测方法，包括原型网络和孪生网络等架构。通过度量学习的方式， 实现仅用少量样本就能快速适应新的缺陷类型。特别适合产品种类多、样本获取困难的场景， 支持快速切换检测对象。

GAN异常检测

基于生成对抗网络的缺陷检测方法，通过学习正常样本的分布来识别异常。结合判别器和生成器的双重检测机制， 能够更好地捕捉细微的异常特征。适用于无标注数据或只有正常样本的场景，可以实现半监督和无监督的缺陷检测。