論文の概要: PyramidFlow: High-Resolution Defect Contrastive Localization using Pyramid Normalizing Flow

• arxiv url: http://arxiv.org/abs/2303.02595v1
• Date: Sun, 5 Mar 2023 07:37:28 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-07 18:42:00.158912
• Title: PyramidFlow: High-Resolution Defect Contrastive Localization using Pyramid Normalizing Flow
• Title（参考訳）: ピラミッド流:ピラミッド正規化流を用いた高分解能欠陥造影
• Authors: Jiarui Lei, Xiaobo Hu, Yue Wang, Dong Liu
• Abstract要約: 高分解能欠陥の局所化を可能にする事前学習モデルのない,最初の完全正規化フロー手法であるPraamidFlowを提案する。 具体的には、クラス内分散を低減するために、潜在テンプレートベースの欠陥コントラッシブローカライゼーションパラダイムを提案する。 さらに、ピラミッドのような正規化フローをマルチスケールのハウジングやボリューム正規化に利用して一般化を支援している。
• 参考スコア（独自算出の注目度）: 13.350418131025755
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: During industrial processing, unforeseen defects may arise in products due to uncontrollable factors. Although unsupervised methods have been successful in defect localization, the usual use of pre-trained models results in low-resolution outputs, which damages visual performance. To address this issue, we propose PyramidFlow, the first fully normalizing flow method without pre-trained models that enables high-resolution defect localization. Specifically, we propose a latent template-based defect contrastive localization paradigm to reduce intra-class variance, as the pre-trained models do. In addition, PyramidFlow utilizes pyramid-like normalizing flows for multi-scale fusing and volume normalization to help generalization. Our comprehensive studies on MVTecAD demonstrate the proposed method outperforms the comparable algorithms that do not use external priors, even achieving state-of-the-art performance in more challenging BTAD scenarios.
• Abstract（参考訳）: 工業加工中は、制御不能な要因による製品に予期せぬ欠陥が生じる可能性がある。 教師なしの手法は欠陥のローカライズに成功しているが、事前訓練されたモデルの通常使用は低解像度出力を生じさせ、視覚性能を損なう。 この問題に対処するために,高分解能欠陥の局所化を可能にする事前学習モデルを持たない,最初の完全正規化フロー法であるPraamidFlowを提案する。 具体的には,事前学習したモデルのようにクラス内分散を減らすために,潜伏テンプレートに基づく欠陥比較ローカライズパラダイムを提案する。 さらに、ピラミッドフローは、多スケールフローとボリューム正規化のためにピラミッド状正規化フローを利用し、一般化を助けている。 MVTecADに関する包括的研究により,提案手法は,BTADの難易度の高いシナリオにおいて,最先端の性能を達成しつつも,外部の先行手法を使用しない同等のアルゴリズムよりも優れていることを示す。

関連論文リスト

• D-Flow: Differentiating through Flows for Controlled Generation [37.80603174399585]
  フローを微分することで生成プロセスを制御するフレームワークであるD-Flowを紹介する。 我々は、ガウス確率パスで訓練された拡散/FMモデルに対して、生成過程を微分することで、データ多様体の勾配を予測できるというキーとなる観察によって、この枠組みを動機付けている。 我々は,画像と音声の逆問題や条件分子生成など,線形および非線形に制御された生成問題に対する枠組みを検証する。
  論文  参考訳（メタデータ） (2024-02-21T18:56:03Z)
• Sparse is Enough in Fine-tuning Pre-trained Large Language Models [98.46493578509039]
  我々はSparse Increment Fine-Tuning (SIFT) という勾配に基づくスパース微調整アルゴリズムを提案する。 GLUE Benchmark や Instruction-tuning などのタスクで有効性を検証する。
  論文  参考訳（メタデータ） (2023-12-19T06:06:30Z)
• Training-free Linear Image Inverses via Flows [17.291903204982326]
  本研究では,事前学習フローモデルを用いて,線形逆問題に対する学習自由度を求める手法を提案する。 提案手法では,高次元データセット上でのノイズの多い線形逆問題に対して,問題固有のチューニングは不要である。
  論文  参考訳（メタデータ） (2023-09-25T22:13:16Z)
• MSFlow: Multi-Scale Flow-based Framework for Unsupervised Anomaly Detection [124.52227588930543]
  教師なし異常検出(UAD)は多くの研究の関心を集め、幅広い応用を推進している。 不明瞭だが強力な統計モデルである正規化フローは、教師なしの方法で異常検出と局所化に適している。 非対称な並列フローと融合フローからなるMSFlowと呼ばれる新しいマルチスケールフローベースフレームワークを提案する。 我々のMSFlowは、検出AUORCスコアが99.7%、ローカライゼーションAUCROCスコアが98.8%、プロスコアが97.1%の新たな最先端技術を実現している。
  論文  参考訳（メタデータ） (2023-08-29T13:38:35Z)
• Exploiting Diffusion Prior for Real-World Image Super-Resolution [75.5898357277047]
  本稿では,事前学習したテキスト・画像拡散モデルにカプセル化された事前知識を視覚的超解像に活用するための新しいアプローチを提案する。 時間認識エンコーダを用いることで、事前学習した合成モデルを変更することなく、有望な復元結果が得られる。
  論文  参考訳（メタデータ） (2023-05-11T17:55:25Z)
• DiffusionAD: Norm-guided One-step Denoising Diffusion for Anomaly Detection [89.49600182243306]
  我々は拡散モデルを用いて再構成過程をノイズ・ツー・ノームパラダイムに再構成する。 本稿では,拡散モデルにおける従来の反復的復調よりもはるかに高速な高速な一段階復調パラダイムを提案する。 セグメント化サブネットワークは、入力画像とその異常のない復元を用いて画素レベルの異常スコアを予測する。
  論文  参考訳（メタデータ） (2023-03-15T16:14:06Z)
• Deep Variational Inverse Scattering [18.598311270757527]
  逆媒体散乱解法は一般に、関連する不確実性の尺度なしで単一の解を再構成する。 条件正規化フローのような深いネットワークは、逆問題の後部をサンプリングするのに使うことができる。 条件付き正規化フローに基づくベイズ的U-NetであるU-Flowを提案し,高品質な後続サンプルを生成し,物理的に有意な不確かさを推定する。
  論文  参考訳（メタデータ） (2022-12-08T14:57:06Z)
• AltUB: Alternating Training Method to Update Base Distribution of Normalizing Flow for Anomaly Detection [1.3999481573773072]
  近年,様々な領域において,教師なし異常検出が注目されている。 その主なアプローチの1つは正規化フローであり、複素分布の像としての可逆変換を N(0, I) として簡単な分布に変換することである。
  論文  参考訳（メタデータ） (2022-10-26T16:31:15Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Deep Equilibrium Optical Flow Estimation [80.80992684796566]
  最近のSOTA(State-of-the-art)光フローモデルでは、従来のアルゴリズムをエミュレートするために有限ステップの更新操作を使用する。 これらのRNNは大きな計算とメモリオーバーヘッドを課し、そのような安定した推定をモデル化するために直接訓練されていない。 暗黙的層の無限レベル固定点として直接流れを解く手法として,Deep equilibrium Flow estimatorを提案する。
  論文  参考訳（メタデータ） (2022-04-18T17:53:44Z)
• DeepInit Phase Retrieval [10.385009647156407]
  本稿では,データ深層生成モデルを用いて位相探索問題の解法を提案する。 我々のハイブリッドアプローチは,低サンプリングレートで非常に高い再構成結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-16T09:39:28Z)

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。