如有侵权或其他问题欢迎留言联系更正或删除。出处NeurIPS 2024论文链接2404.06564代码链接lewandofskee/MambaAD: [NeurIPS 2024] Official implementation of MambaAD: Exploring State Space Models for Multi-class Unsupervised Anomaly Detection.1. visual Anomaly Detection (AD) 视觉异常检测任务 解决范式简介single - class AD针对不同视觉异常类型采用不同模型进行异常检测 →1. 训练时间及内存耗费多2.难以处理 “类间差异较小” 的情况multi - class ADUniAD、HVQ-Trans、DiAD扩散、ViTADViT与 RD4AD 及 UniAD 比较RD4AD 基于 CNN缺乏长程依赖性UniAD 基于 transformer二次计算复杂度、检测尺度单一而 MambaAD 则能有效综合2. 无监督视觉异常检测任务 解决范式简介1基于嵌入的方法 (Embedding-based methods)侧重于将 RGB 图像编码为多通道特征劣势采用预训练网络预训练数据与工业数据存在 “域间差异”常见方法PatchCore、DifferNet ...2基于合成的方法 (Synthesizing-based methods)异常合成劣势“合成异常” 与 “实际异常” 比较存在 “域间差异”常见方法DREAM、NSA ...3基于重建的方法 (Reconstruction-based methods)重建图像减少对预训练模型的依赖劣势模型的泛化有时会导致在精确定位异常区域时的不准确性常见方法Autoencoder、Transformers、GANs、diffusion models 为算法骨架 ...3. 具体的算法框架4. 实验结果