【摘要】由于生产环境的复杂性和多样性，了解无监督异常检测模型对常见降质的鲁棒性是至关重要的。为了系统地探索这个问题，我们提出一个名为MVTec-C的数据集来评估无监督异常检测模型的鲁棒性。基于这个数据集，我们探索了五种不同范式的方法的鲁棒性，包括基于重建的、基于表征相似度的、基于归一化流的、基于自监督表征学习的和基于知识蒸馏的范式。此外，我们还探讨了两种最佳的方法中不同模块对鲁棒性和准确性的影响，包括Patch Core方法中的多尺度特征、邻域大小、采样比例和Reverse Distillation方法中的多尺度特征、MMF模块与OCE模块、多尺度蒸馏。最后，我们提出了一个特征对齐模块(FAM)，以减少降质带来的特征偏移，并将Patch Core和FAM结合起来，得到一个同时具备高准确率和高鲁棒性的模型。我们希望这项工作能够作为一种鲁棒性评估手段，并在将来为构建鲁棒的异常检测模型提供经验。