Real-IAD: A Real-World Multi-view Dataset for Benchmarking Versatile Industrial Anomaly Detection

工业异常检测（IAD）已经引起了重大关注，并经历了快速的发展。然而，由于数据集限制，最近的IAD方法的发展遇到了一些困难。一方面，大多数最先进的方法在主流数据集（如MVTec）上已经达到了饱和（在AUROC中超过99%），方法之间的差异无法很好地区分，导致公共数据集与实际应用场景之间存在显著的差距。另一方面，由于数据集规模的限制，对各种新的实用异常检测设置的研究存在过拟合的风险。因此，本文提出了一个大规模、真实世界和多视角的工业异常检测数据集，名为Real-IAD，它包含了30种不同对象的150K高分辨率图像，比现有的数据集大一个数量级。它具有更大范围的缺陷面积和比例，使其比以前的数据集更具挑战性。为了使数据集更接近实际应用场景，采用了多视角拍摄方法，并提出了样本级评估指标。此外，除了一般的无监督异常检测设置，还根据观察到的工业生产中的良品率通常大于60%的情况，提出了一种全新的全无监督工业异常检测（FUIAD）设置，这具有更实际的应用价值。最后，报告了在Real-IAD数据集上流行的IAD方法的结果，为推动IAD领域的发展提供了一个高度具有挑战性的基准。

数据集下载链接：https://realiad4ad.github.io/Real-IAD/