InCLAD：工业视觉异常检测的持续学习基准

工业异常检测基准发展迅速，但总体上仍然是静态的，因此无法充分反映这样一种部署场景：随着时间推移，检测系统必须从一种工业组件扩展到另一种工业组件。在本文设定中，持续工业异常检测被定义为一个任务增量问题：每个组件对应一个任务，而学习目标仍然是半监督的。其目标超越了传统异常检测的范畴，因为模型在依次接触新组件的过程中，应当保持在所有组件上的性能。这一设定尤为重要，因为许多现有工业流程要么假设拥有完全监督的缺陷标签，要么仅研究相互孤立的数据集，因此半监督异常检测器在一系列异构组件上的表现仍是一个悬而未决的问题。为弥补这一空白，我们将基准组织为一系列相互关联的组件级任务，并定义了多种场景，包括随机、由易到难和由难到易。除单数据集持续学习场景外，我们还提出了跨多个数据集的挑战性场景。进一步地，我们从两个互补的角度评估持续学习性能：图像级异常检测和像素级异常定位。通过将工业异常检测重新定义为持续学习基准，而非静态的训练/测试问题，我们为研究不断演化的工业环境中的知识保持、适应性和泛化能力，建立了一条切实可行的路径。