2025年4月7日-5月26日，IEEE计算机视觉与模式识别会议（IEEE Conference on Computer Vision and Pattern Recognition，IEEE CVPR）与机器视觉软件知名企业德国MVTech公司、德国慕尼黑工业大学和Intel公司联合发起了第三届工业异常检测挑战赛（Visual Anomaly and Novelty Detection，VAND 3.0）。本届赛事的冠、亚、季军团队在其获奖解决方案中，均不约而同地引用并集成了精密仪器研究中心余文勇副教授主持开发的INP-Former算法，使得该算法成为本届赛事的“冠军基石”。

工业视觉异常检测是现代生产系统中质量保证的关键工具，从日常的大米，到尖端的光刻芯片，通过检测产品与正常状态的偏差，它可用以提升产品质量和改善工艺条件。众多研究者开发了大量基于深度学习的异常检测方法，但从应用角度来看，实际落地仍存在一些问题，为此CVPR学术年会发起VAND挑战赛，旨在基于真实世界的工业检测场景，对视觉异常检测模型进行基准测试和开发。在2023首届VAND挑战赛中，华中科技大学高亮教授和沈卫明院士团队，在零样本赛道上夺得全球亚军。

今年的挑战在于提高当前异常检测模型的鲁棒性，包括产品在视野内的姿态变化、相机角度或焦距发生变化、灯光老化或意外光源导致照明随时间产生变化。如果算法模型对这些变化的适应性不足，可能会导致严重误杀。

图1 过曝、欠曝、杂光的干扰

图2 大赛数据集

图3 VAND 3.0 挑战赛排行榜

从官方公布的数据来看，今年挑战赛一共上榜136个算法，其中冠、亚、季军和第五名团队在提交的技术文档中，一致引用了研究中心开发的INP-Former的算法作为其“基石”，包括：

冠军算法ISVL：扩展了INP-Former，通过处理高分辨率图像的平铺策略和衍生分割图的创新形态学后处理，实现了较好的分割性能。

亚军算法RoBiS：以INP-Former为基线，将经典blob分析与基于深度学习的改进相结合，提出了一种新的异常图阈值分割方法。值得一提的是：今年的亚军为华中科技大学周瑜教授团队斩获。

季军算法ASEG：集成INP-Former，通过更强transformer的主干、改进的多层卷积网络特征融合以及改进的训练策略，增强了检测的准确性和鲁棒性。

第五名算法Filter-Former：基于INP-Former，经过广泛的数据增强训练，通过Diff预测模块对编码器输出进行自我关注，以突出正常图像和测试图像之间的差异。

INP-Former其核心原理是从单张图像中提取正态原型，较好的解决了图像对齐和特征混淆的问题，因其开源、简洁的接口和稳定的表现，成为排名靠前的竞争者的首选。

“得知消息时，我感到非常荣幸和些许意外。”算法开发成员罗威表示，“前三名都使用了我们的方法，这说明我们聚焦真问题、追求极致性能与可用性的方向是正确的。”

今年6月30日公开的INP-Former++在标准测试集上还提升为SOTA算法。在解决工业异常检测领域的共性关键问题上，INP-Former++提供了当前较优、较可靠的工程实现方法，有望成为实质上的Benchmark。

在当前开源协作的时代，研究中心将和GitHub社区继续维护并深化INP-Former的开发，同时积极探索与产业界、学术界的合作，推动其应用场景从学术竞赛向电子制造、晶圆检测等更广阔的领域拓展，使之释放更大的实际价值。

官方公告：

H. Lars, A. Vaidya, J. Neudeck, U. Scheler, D. Ameln, S. Akcay, and P. Ramos, "From Benchmarks to Reality: Advancing Visual Anomaly Detection by the VAND 3.0 Challenge," ArXiv abs/ 2509.17615(2025).

论文链接：

W. Luo, H. Yao, Y. Cao, Q. Chen, A. Gao, W. Shen, and W. Yu, "INP-Former++: Advancing Universal Anomaly Detection via Intrinsic Normal Prototypes and Residual Learning,"ArXiv abs/ 2506.03660(2025).

代码链接：

https://github.com/luow23/INP-Former