2026年10月14日，Dikai Li、Weijia Wang与Yuan-Gen Wang在arXiv提交论文《Cross-Scenario Industrial Defect Detection via Domain-Robust Training and Metric-Aligned Selection》，主题属于计算机视觉与模式识别。论文聚焦工业板材缺陷检测在不同光照、表面污染和生产线条件下容易失效的问题，将其定义为跨场景域泛化任务：模型不仅要识别缺陷，还要完成定位和分类，并尽量降低对无缺陷样本的误报。论文摘要与原文
作者围绕IDA 2026 Track 1挑战提出四个组成部分：面向跨场景变化的鲁棒训练、小缺陷感知学习、分数校准与推理阈值选择，以及与评测指标对齐的检查点选择。具体方法包括鲁棒归一化、DSU式统计扰动与渐进式随机卷积，用于增强模型对未见场景的适应性；同时结合NWD和无参数空间注意力改善小缺陷学习，并使用VFL目标与面向赛题指标的SWAD变体选择模型。论文强调，单纯依据mAP选择检查点，可能与跨场景筛查所需的可靠性并不一致，因此部署时还需要关注阈值和误报控制。
目前可核实信息主要来自该预印本摘要，尚不足以判断其相对基线的具体提升幅度，也不能据此确认已经在真实生产线上取得稳定效果。该工作更值得关注的地方，是把工业视觉部署中的场景变化、少量缺陷和评测指标错位放到同一套训练与模型选择流程中，而不是只追求单一数据集上的检测分数。
参考来源：
- Cross-Scenario Industrial Defect Detection via Domain-Robust Training and Metric-Aligned Selection 2026-10-14
由 AI 整理，仅供参考；请以原始来源为准。
