awesome-industrial-anomaly-detection

这个项目是一个专门收集工业异常检测领域论文和数据集的知识库，由M-3LAB团队持续维护。它的核心价值在于解决了工业质检领域信息分散的问题，把散落在各处的学术研究成果系统性地整理在一起，让研究人员和工程师能快速找到所需资料。工业产品表面的瑕疵检测，比如手机屏幕划痕、电路板焊接缺陷、金属表面裂纹等，在制造业中至关重要，但相关研究资料往往难以查找，这个项目正好填补了这个空白。 技术亮点方面，这个项目不仅是一个简单的论文列表，还包含了团队自己发表的综述论文和基准测试。他们推出的AD-Copilot工具尤其亮眼，这是一个端到端训练的多模态大模型，在真实工业检测任务中表现已经超越人类水平。此外，他们还系统比较了各种异常合成方法，并发布了ASBench基准，帮助研究者评估不同数据增强技术的效果。项目还包含了对当前主流多模态大模型在工业质检场景下的性能评估，为实际应用提供了重要参考。 适用场景非常明确，主要面向从事工业视觉检测的研究人员、算法工程师，以及制造业中需要引入AI质检技术的企业。无论是想了解该领域的研究现状，还是需要寻找现成的数据集来训练模型，或者想评估不同算法的实际效果，这个项目都能提供有力支持。对于正在探索AI质检落地的团队来说，这里整理的信息可以大大减少前期调研的工作量。 上手难度较低，项目结构清晰，按年份和主题分类整理了论文和数据集，并提供了直接链接。用户只需要具备基本的学术文献阅读能力，不需要特殊的技术背景就能使用。对于想深入研究的用户，项目还提供了基准测试代码和预训练模型，有一定深度学习基础的开发者可以快速上手实验。总的来说，这是一个对工业异常检测领域从业者非常友好的资源库，值得收藏和持续关注。