闭集检测，即有监督模型 (Close-Set)：
传统的监督学习方法，其前提是训练数据中包含了所有可能遇到的缺陷类别。利用CNN、Faster R-CNN以及Vision Transformers等模型来应对此类任务，并讨论了如何解决细微缺陷、多尺度缺陷和实时性等挑战。
开集检测 (Open-Set)：
这是近年来日益受到关注的重点，旨在检测训练阶段未见过的、新颖的异常缺陷。该领域的工作被进一步细分为：
无监督异常检测：仅使用“正常”样本进行训练。主要方法包括基于重建（如自动编码器）、基于特征记忆库（Memory Bank，如 PatchCore）、基于流（Flow-based）和基于判别（使用合成的伪异常） 的方法。
半监督异常检测：利用大量正常样本和少量已标记的异常样本进行训练。
少样本/零样本异常检测：解决数据极其稀缺场景下的检测问题。这部分工作大量利用了视觉语言模型（VLMs，如 CLIP）和多模态大语言模型（MLLMs）的能力。
Supervised Detection Models
Backbone Models
AlexNet
Fast R-CNN
Faster R-CNN
YOLO 系列
Vision Transformers (ViTs)
MobileNet (轻量级架构)
Specific Models
PGA-Net (微调预训练网络)
CS-ResNet (使用加权损失函数)
Data Enhancement Models
DFMGAN
Anomaly Diffusion
AnoGen
DualAnoDiff
DefectFill
Unsupervised Detection Models
Regression-based Methods
UTRAD 9
UniAD 10
DeCo-Diff 11
MambaAD 12
MemAE 13
DMAD 14
PMB 15
THFR 16
TFA-Net 17
HVQ-Trans 18
MemKD 19
NDP-Net 20
FOD 21
PNPT 22
RLR 23
INP-Former 24
Dual-Siamese 25
RD++ 26
OmniAL 27
DeSTSeg 28
MRKD 29
CDO 30
Pull&Push 31
GeneralAD 32
ADPS 33
RealNet 34
RIAD 35
MSTAD 36
MLDFR 37
AMINet 38
One-for-All 39
PSA-VT 40
Memory Bank-Based Methods
SPADE 41
GCPF 42
PatchCore 43
ReConPatch 44
PaDiM 45
PNI 46
FastRecon 47
Flow-based Methods
DifferNet 48
CFlow-AD (或 CFlow) 49
CSFlow 50
MSFlow 51
CARF 52
PyramidFlow 53
THF 54
HGAD 55
Discrimination-based Methods
CutPaste 56
NSA 57
SimpleNet 58
PBAS 59
GLASS 60
DRAEM 61
Tuntun Yuchiha