用途：面向工业异常检测（制造与质检中的缺陷、故障与异常识别）整理方法、基准数据集、评估指标和部署考虑，适合质检流水线、方法对比、综述写作、课程教学与缺陷模式分析。
主要能力与分类：方法涵盖重建类（AE、VAE、GAN如AnoGAN/GANomaly、扩散如AnoDDPM）、嵌入类（记忆库PatchCore、PaDiM；知识蒸馏STPM、RD4AD；自监督CutPaste、DRAEM）、归一化流（FastFlow、CFLOW-AD、CS-Flow、DifferNet）、基础模型（CLIP类WinCLIP、AnomalyCLIP；SAM类GroundedSAM-AD；视觉语言AnomalyGPT）以及3D异常检测（点云、RGB+3D多模态）。
关键方法（含年份、思路、MVTec AUROC）：PatchCore 2022记忆库99.1%；PaDiM 2021多元高斯97.9%；RD4AD 2022知识蒸馏98.5%；FastFlow 2022归一化流99.4%；SimpleNet 2023特征适配99.6%；WinCLIP 2023 CLIP零样本95.2%；AnomalyGPT 2024视觉语言96.3%。
基准数据集：MVTec AD（15类、5354图、产品/纹理缺陷、像素级掩码）、MVTec 3D-AD（10类、4147图、3D点云+RGB）、VisA（12类、10821图、复杂结构异常）、BTAD（3类、2830图、工业本体/表面）、MPDD（6类、1064图、金属零件缺陷）。
使用方式：可用Anomalib读取MVTec数据、初始化Patchcore（backbone wide_resnet50_2，layers layer2/layer3，coreset_sampling_ratio 0.1）并训练测试；评估用sklearn的roc_auc_score计算图像级与像素级AUROC，PRO（Per-Region Overlap）对小异常更合适，权重按连通异常区域均等。
研究方向（2024-2025）：零/少样本检测、多类统一模型、基础模型检测、逻辑异常、持续学习、3D异常检测、边缘设备实时部署。限制：资料未提供收费、价格、平台要求与具体部署效果，实际性能依赖数据与配置。