这是在MVTec AD数据集上排名第一的论文,其检测准确率和分割准确率分别达到了99.1%和98.1%

【摘要】
在大规模的工业制造中，检测出有缺陷的部分是至关重要的环节，基于正常的无缺陷图像来拟合模型。尽管为每个类别手动设置解决方案是可能的，但目标是构建一个系统能同时自动在许多不同类别任务上效果良好。最好的方法是将ImageNet模型的嵌入向量和异常检测模型相结合。本文中，我们扩展这一工作，提出了PathCore, 其使用正常的块特征的最具代表性的记忆存储库。PatchCore提供了有竞争力的推理时间，同时在检测和定位方面实现了最先进的性能。
【引言】
人类在仅看到少量正常示例后能区分预期的变化和异常。在许多工业场景下，得到正常产品的图像是容易的，但是指定全部的预期缺陷变化是代价昂贵和复杂的。