工业异常检测在业界和学界都一直是热门，近期其更是迎来了全新突破：与大模型相结合！让异常检测变得更快更准更简单！
比如模型AnomalyGPT，它克服了以往的局限，能够让大模型充分理解工业场景图像，判断其中是否含有异常部分并指出异常位置，各项指标都实现了SOTA！同时也成为了发论文的新坑！
为了让大家能够紧跟领域前沿，找点自己的创新点，我给大家整理了107篇必读顶会，对所有异常检测的方法进行了梳理，原文和代码都有！主要涉及：大模型、有监督、无监督、小样本等等。
大模型+工业异常检测
1.Myriad: Large Multimodal Model by Applying Vision Experts for Industrial Anomaly Detection【LLM相关】
简述：这篇论文提出了一种创新的工业异常检测方法。该方法通过整合视觉专家知识，构建了一个大型多模态模型，旨在提高异常检测的准确性和效率。论文详细阐述了模型的构建过程以及其在工业异常检测中的应用。通过该模型，研究人员能够充分利用多模态数据，并结合视觉专家的经验，有效识别出工业生产中的异常情况。
2.Segment Anything Is Not Always Perfect: An Investigation of SAM on Different Real-world Applications 【SAM相关】
简述：这篇论文深入探讨了Segment Anything Model（SAM）在不同现实世界应用中的表现。研究发现，尽管SAM在多个任务中展现出了强大的分割能力，但并非在所有情况下都能达到完美效果。论文详细分析了SAM在不同场景下的挑战和局限性，揭示了其在处理复杂图像和场景时的困难。此外，论文还提出了一些改进SAM的建议，以期在未来的研究中进一步提升其性能。
无监工业督异常检测
3.Revisiting Reverse Distillation for Anomaly Detection【基于特征嵌入的方法
】
简述：这篇论文重新审视了反向蒸馏在异常检测中的应用。论文指出，传统的知识蒸馏方法在处理异常检测任务时存在局限性，而反向蒸馏通过改变蒸馏的方向和机制，为异常检测提供了新的解决方案。论文详细分析了反向蒸馏的原理和优势，并探讨了其在异常检测中的适用性和效果。通过实验验证，论文证明了反向蒸馏在异常检测中的有效性，并为其在实际应用中的推广提供了有力支持。
4.RealNet: A Feature Selection Network with Realistic Synthetic Anomaly for Anomaly Detection 【基于重构的方法】
简述：这篇论文介绍了一种创新的特征选择网络RealNet，它结合了真实合成异常的概念用于异常检测任务。RealNet通过生成具有逼真异常的样本，解决了传统异常检测方法中真实与合成数据之间的鸿沟问题。该网络包含三个关键组件：强度可控扩散异常合成（SDAS）、异常感知特征选择（AFS）和重建残差选择（RRS），这些组件共同协作以提高异常检测的性能。通过SDAS生成具有不同异常强度的样本，AFS选择具有代表性和区分性的预训练特征子集，而RRS则用于全面识别多个粒度级别上的异常区域。实验结果表明，RealNet在多个基准数据集上取得了显著的改进，为异常检测领域提供了新的突破。
有监督工业异常检测
5.Anomaly Heterogeneity Learning for Open-set Supervised Anomaly Detection
简述：这篇论文主要探讨了开集监督异常检测中的异常异构性学习问题。论文指出，在实际应用中，异常数据往往呈现出多样化的分布，而传统的异常检测方法通常假设异常数据来自同一分布，这限制了其在实际场景中的有效性。为了解决这一问题，论文提出了一种新的方法，通过学习异构异常分布来提高开集监督异常检测的准确性。这种方法利用有限的异常样本进行建模，并有效地区分可见异常和不可见异常。
其他方法
6.AnomalyGPT: Detecting Industrial Anomalies using Large Vision-Language Models【小样本工业异常检测】
简述：这篇论文提出了一个新颖的工业异常检测方法，该方法利用大型视觉语言模型（LVLM）进行异常识别。AnomalyGPT通过结合图像编码器和LVLM的预训练能力，实现了对工业图像的深度理解和异常检测。论文强调了AnomalyGPT无需手动设置阈值的特点，并展示了其在多回合对话和少数镜头上下文学习方面的能力。
7.PromptAD: Learning Prompts with only Normal Samples for Few-Shot Anomaly Detection【零样本工业异常检测】
简述：这篇论文提出了一种创新的少样本异常检测方法。该方法的核心在于仅使用正常样本学习提示（prompts），并以此来识别异常样本。这种方法的优势在于，它克服了传统异常检测方法需要大量标注异常样本的局限性，使得在异常样本稀缺的情况下也能进行有效的异常检测。
8.Set Features for Fine-grained Anomaly Detection【Logical AD】
简述：论文提出了基于集合特征的细粒度异常检测方法，通过提取样本集合中的关键特征，实现对细微异常的精准识别和定位。该方法在多个数据集上展现出卓越性能，显著提高了异常检测的准确性。
