論文の概要: Reconstruction from edge image combined with color and gradient difference for industrial surface anomaly detection

• arxiv url: http://arxiv.org/abs/2210.14485v1
• Date: Wed, 26 Oct 2022 05:21:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-27 14:48:48.099569
• Title: Reconstruction from edge image combined with color and gradient difference for industrial surface anomaly detection
• Title（参考訳）: 工業用表面異常検出のための色差と勾配差を組み合わせたエッジ画像からの再構成
• Authors: Tongkun Liu, Bing Li, Zhuo Zhao, Xiao Du, Bingke Jiang, Leqi Geng
• Abstract要約: 我々は、元のRGB画像をそのグレー値エッジ(EdgRec)から再構成する新しい再構成ネットワークを提案する。 本手法は, 検定のためのベンチマークMVTec AD (97.8%, ローカライゼーションのための97.7%, AUROC) において, 競合する結果を得る。
• 参考スコア（独自算出の注目度）: 3.42097787126957
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reconstruction-based methods are widely explored in industrial visual anomaly detection. Such methods commonly require the model to well reconstruct the normal patterns but fail in the anomalies, and thus the anomalies can be detected by evaluating the reconstruction errors. However, in practice, it's usually difficult to control the generalization boundary of the model. The model with an overly strong generalization capability can even well reconstruct the abnormal regions, making them less distinguishable, while the model with a poor generalization capability can not reconstruct those changeable high-frequency components in the normal regions, which ultimately leads to false positives. To tackle the above issue, we propose a new reconstruction network where we reconstruct the original RGB image from its gray value edges (EdgRec). Specifically, this is achieved by an UNet-type denoising autoencoder with skip connections. The input edge and skip connections can well preserve the high-frequency information in the original image. Meanwhile, the proposed restoration task can force the network to memorize the normal low-frequency and color information. Besides, the denoising design can prevent the model from directly copying the original high-frequent components. To evaluate the anomalies, we further propose a new interpretable hand-crafted evaluation function that considers both the color and gradient differences. Our method achieves competitive results on the challenging benchmark MVTec AD (97.8\% for detection and 97.7\% for localization, AUROC). In addition, we conduct experiments on the MVTec 3D-AD dataset and show convincing results using RGB images only. Our code will be available at https://github.com/liutongkun/EdgRec.
• Abstract（参考訳）: リコンストラクションに基づく手法は産業用視覚異常検出において広く研究されている。 このような手法では, 正常なパターンを適切に再構成するモデルが必要となるが, 異常に失敗するため, 再構成誤差を評価すれば異常を検出できる。 しかし、実際には、モデルの一般化境界を制御するのは通常困難である。 過度に強い一般化能力を持つモデルは、異常領域を適切に再構成することができ、識別しにくいが、汎化能力の低いモデルは、通常領域で変更可能な高周波成分を再構築できないため、最終的には偽陽性となる。 そこで,本研究では,そのグレー値エッジ(edgrec)から元のrgb画像を再構成する新しい再構成ネットワークを提案する。 具体的には、スキップ接続を持つUNet型デノナイジングオートエンコーダによって実現される。 入力エッジとスキップ接続は、元の画像の高周波情報を十分に保存することができる。 一方,提案手法では,ネットワークに通常の低周波・カラー情報を記憶させることができる。 さらに、デノイジング設計は、モデルが元の高頻度コンポーネントを直接コピーすることを防ぐことができる。 そこで本研究では,色差と勾配差を考慮した新しい手作り評価関数を提案する。 本手法は, MVTec AD (検出では97.8 %, ローカライゼーションでは97.7 %, AUROCでは97.7 %) の試験結果を得る。 さらに、MVTec 3D-ADデータセットの実験を行い、RGB画像のみを用いて説得力のある結果を示す。 私たちのコードはhttps://github.com/liutongkun/EdgRec.comで公開されます。

関連論文リスト

• DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
  本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。 画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-12-11T18:38:28Z)
• Indoor Scene Reconstruction with Fine-Grained Details Using Hybrid Representation and Normal Prior Enhancement [50.56517624931987]
  多視点RGB画像からの室内シーンの再構成は、平坦領域とテクスチャレス領域の共存により困難である。 近年の手法では、予測された表面正規化によって支援されたニューラルラジアンス場を利用してシーン形状を復元している。 本研究は, 上記の制限に対処して, 高忠実度表面を細かな詳細で再構築することを目的とする。
  論文  参考訳（メタデータ） (2023-09-14T12:05:29Z)
• FAIR: Frequency-aware Image Restoration for Industrial Visual Anomaly Detection [4.705841907301398]
  周波数対応画像復元(英: Frequency-Aware Image Restoration, FAIR)は、高周波成分から画像を復元する、新しい自己教師付き画像復元タスクである。 FAIRは、様々な欠陥検出データセットで高い効率で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2023-09-13T16:28:43Z)
• Making Reconstruction-based Method Great Again for Video Anomaly Detection [64.19326819088563]
  ビデオの異常検出は重要な問題だが、難しい問題だ。 既存の再構成に基づく手法は、昔ながらの畳み込みオートエンコーダに依存している。 連続フレーム再構築のための新しいオートエンコーダモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-28T01:57:57Z)
• Unsupervised Visual Defect Detection with Score-Based Generative Model [17.610722842950555]
  我々は、教師なしの視覚的欠陥検出とローカライゼーションタスクに焦点をあてる。 近年のスコアベース生成モデルに基づく新しいフレームワークを提案する。 提案手法を複数のデータセット上で評価し,その有効性を実証する。
  論文  参考訳（メタデータ） (2022-11-29T11:06:29Z)
• Self-Supervised Masked Convolutional Transformer Block for Anomaly Detection [122.4894940892536]
  本稿では, 自己監督型マスク型畳み込み変圧器ブロック (SSMCTB) について述べる。 本研究では,従来の自己教師型予測畳み込み抑止ブロック(SSPCAB)を3次元マスク付き畳み込み層,チャンネルワイドアテンション用トランスフォーマー,およびハマーロスに基づく新たな自己教師型目標を用いて拡張する。
  論文  参考訳（メタデータ） (2022-09-25T04:56:10Z)
• ADTR: Anomaly Detection Transformer with Feature Reconstruction [40.68590890351697]
  通常のサンプルからの事前知識のみによる異常検出が注目されている。 既存のCNNベースの画素再構成アプローチには2つの懸念がある。 本稿では,事前学習した特徴の再構成にトランスフォーマを適用するために,ADTR(Anomaly Detection TRansformer)を提案する。
  論文  参考訳（メタデータ） (2022-09-05T08:01:27Z)
• Detecting Recolored Image by Spatial Correlation [60.08643417333974]
  画像のリカラー化は、画像の色値を操作して新しいスタイルを与える、新たな編集技術である。 本稿では,空間相関の観点から,従来型と深層学習による再色検出の汎用的検出能力を示す解を探索する。 提案手法は,複数のベンチマークデータセット上での最先端検出精度を実現し,未知の種類の再色法を適切に一般化する。
  論文  参考訳（メタデータ） (2022-04-23T01:54:06Z)
• Divide-and-Assemble: Learning Block-wise Memory for Unsupervised Anomaly Detection [40.778313918994996]
  再構成に基づく手法は、画像の教師なし異常検出において重要な役割を果たす。 本研究では,画像の再構成を分割組立手順として解釈する。 我々は、挑戦的なMVTec ADデータセット上で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2021-07-28T01:14:32Z)
• Anomaly Detection with Prototype-Guided Discriminative Latent Embeddings [29.93983580779689]
  本論文では,通常のデータの識別的プロトタイプを用いて映像フレームを再構築する異常検出手法を提案する。 このようにして、モデルは通常のイベントの再構築を支持し、異常なイベントの再構築を歪めます。 本手法の有効性を3つのベンチマークデータセットで評価し,提案手法が最先端を上回っていることを示す。
  論文  参考訳（メタデータ） (2021-04-30T12:16:52Z)
• CutPaste: Self-Supervised Learning for Anomaly Detection and Localization [59.719925639875036]
  通常のトレーニングデータのみを用いて異常検知器を構築するためのフレームワークを提案する。 まず、自己教師付き深層表現を学習し、学習した表現の上に生成的1クラス分類器を構築する。 MVTec異常検出データセットに関する実証研究は,提案アルゴリズムが実世界の様々な欠陥を検出可能であることを実証している。
  論文  参考訳（メタデータ） (2021-04-08T19:04:55Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。