高老师您好，我以The Changes You Want To See（CYWS）的代码框架为基础尝试复现MetaUAS的结果。训练数据集只使用InpatinedCocoDataset，数据增强方式大部分保持CYWS的数据增强模式，同时遵循DRAEM论文中的方法，增加了使用Perlin噪声合成的异常，以实现local region changes。
模型方面完全遵循MetaUAS的配置，使用了代码提供的模型。学习率设置为1e-4，Weight Decay 为，BatchSize设置为128，训练30epochs。然后直接使用这个模型在MVTecAD数据集上进行测试。模型测试代码与MetaUAS的配置完全相同，使用oneprompt_seed1.json配置。
训练结果为:
| Name |
I-AUROC |
I-AP |
I-F1max |
P-AUROC |
P-AP |
P-F1max |
P-AUPRO |
| bottle |
0.974 |
0.992 |
0.961 |
0.901 |
0.537 |
0.486 |
0.630 |
| cable |
0.650 |
0.790 |
0.763 |
0.927 |
0.338 |
0.374 |
0.710 |
| capsule |
0.649 |
0.885 |
0.905 |
0.804 |
0.088 |
0.135 |
0.366 |
| carpet |
0.878 |
0.968 |
0.909 |
0.914 |
0.514 |
0.512 |
0.555 |
| grid |
0.815 |
0.932 |
0.862 |
0.785 |
0.160 |
0.268 |
0.419 |
| hazelnut |
0.951 |
0.971 |
0.923 |
0.982 |
0.754 |
0.705 |
0.909 |
| leather |
0.999 |
1.000 |
0.995 |
0.979 |
0.406 |
0.419 |
0.930 |
| metal_nut |
0.708 |
0.907 |
0.912 |
0.540 |
0.224 |
0.257 |
0.494 |
| pill |
0.601 |
0.905 |
0.916 |
0.606 |
0.142 |
0.251 |
0.459 |
| screw |
0.611 |
0.827 |
0.858 |
0.779 |
0.025 |
0.059 |
0.487 |
| tile |
0.846 |
0.941 |
0.865 |
0.820 |
0.507 |
0.480 |
0.620 |
| toothbrush |
0.744 |
0.904 |
0.845 |
0.820 |
0.296 |
0.382 |
0.493 |
| transistor |
0.628 |
0.579 |
0.608 |
0.798 |
0.207 |
0.279 |
0.527 |
| wood |
0.988 |
0.996 |
0.968 |
0.894 |
0.541 |
0.543 |
0.622 |
| zipper |
0.686 |
0.906 |
0.881 |
0.692 |
0.090 |
0.119 |
0.277 |
| Avg |
0.782 |
0.900 |
0.878 |
0.816 |
0.322 |
0.351 |
0.567 |
与论文的结果相差比较大。
是不是我在复现的过程中忽略了某些重要的细节？例如需要进行梯度裁剪，或者需要在训练数据集中加入一部分MVTec-AD的训练数据集一起训练。
高老师您好，我以The Changes You Want To See（CYWS）的代码框架为基础尝试复现MetaUAS的结果。训练数据集只使用InpatinedCocoDataset，数据增强方式大部分保持CYWS的数据增强模式，同时遵循DRAEM论文中的方法，增加了使用Perlin噪声合成的异常，以实现local region changes。
模型方面完全遵循MetaUAS的配置，使用了代码提供的模型。学习率设置为1e-4，Weight Decay 为，BatchSize设置为128，训练30epochs。然后直接使用这个模型在MVTecAD数据集上进行测试。模型测试代码与MetaUAS的配置完全相同，使用oneprompt_seed1.json配置。
训练结果为:
与论文的结果相差比较大。
是不是我在复现的过程中忽略了某些重要的细节？例如需要进行梯度裁剪，或者需要在训练数据集中加入一部分MVTec-AD的训练数据集一起训练。