从竞赛代码到桌面工具：让 SuperADD 与 SubspaceAD 真正跑进自己的图像

在异常检测领域，很多优秀算法最初都是以研究代码的形式发布的。它们能够在固定测试集上复现实验结果，却不一定能被普通用户直接拿来测试自己的图片。尤其是最近很多算法仅提供在固定测试集的测试环境，而gradio的demo演示也不会提供。对工程应用和在自己的图片上进行测试来说，这中间还隔着一段不短的距离：环境配置、数据路径、命令行参数、模型权重、结果可视化，每一步都可能成为使用门槛。这次，我们围绕 最先进的两个算法，SuperADD 和 SubspaceAD ，使用AI做了一次完整的桌面化改造：把原本偏向“固定测试集复现”的代码，扩展成可以通过 Qt 图形界面操作的异常检测工具，让用户能够选择自己的图像、运行检测，并直观看到异常热力图、掩膜和判定结果。从算法复现到真实图片检测原始项目的主要目标，是在指定测试集上完成异常检测实验复现。这对研究工作非常重要，但对实际使用者来说还不够。在真实场景中，用户更关心的是：能不能检测我自己的图片？能不能快速看到哪里异常？能不能不写命令、不改脚本，也能完成一次检测？能不能把工具交给其他人使用？我们的改造正是围绕这些问题展开。现在，用户可以通过界面选择正常参考图和待检测图像，系统会自动完成图像读取、特征构建、异常评分和结果生成。算法不再只服