PAD：一种与姿态无关的异常检测数据集与基准测试

物体异常检测是机器视觉领域中的一个重要问题，近年来取得了显著进展。然而，其研究与应用仍面临两大关键挑战。首先，现有数据集缺乏来自多种姿态角度的全面视觉信息。大多数方法基于一个不切实际的假设：无异常的训练数据与测试样本在姿态上完全对齐，即训练与测试样本具有相同姿态。但在实际场景中，异常可能出现在物体的任意区域，且训练样本与查询样本之间可能存在姿态差异，因此亟需开展姿态无关（pose-agnostic）的异常检测研究。其次，当前缺乏针对姿态无关异常检测的统一实验协议，导致不同方法之间的比较缺乏公平性，严重制约了该方向的深入发展。为应对上述问题，我们构建了多姿态异常检测数据集（Multi-pose Anomaly Detection, MAD）与姿态无关异常检测基准（Pose-agnostic Anomaly Detection, PAD），标志着该领域迈出关键的第一步。具体而言，MAD数据集基于20个复杂形状的乐高玩具，包含4,000张不同姿态下的高质量图像，并在模拟与真实环境中引入了丰富多样的3D异常样本。此外，我们提出了一种新型方法——OmniposeAD，该方法基于MAD数据集进行训练，专为姿态无关异常检测而设计。通过全面的实验评估，我们验证了所提数据集与方法的有效性与相关性。为进一步推动该领域的研究与应用，我们开源发布了一个包含完整数据集与8种典型异常检测范式的基线方法的基准库。相关代码、数据及模型已公开，可访问 https://github.com/EricLee0224/PAD 获取。