論文の概要: Multi-feature Reconstruction Network using Crossed-mask Restoration for Unsupervised Industrial Anomaly Detection

• arxiv url: http://arxiv.org/abs/2404.13273v2
• Date: Tue, 26 Nov 2024 08:51:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-27 13:32:19.239608
• Title: Multi-feature Reconstruction Network using Crossed-mask Restoration for Unsupervised Industrial Anomaly Detection
• Title（参考訳）: クロスマスク復元を用いた非監督的産業異常検出のための多機能再構成ネットワーク
• Authors: Junpu Wang, Guili Xu, Chunlei Li, Guangshuai Gao, Yuehua Cheng, Bing Lu,
• Abstract要約: 産業生産における品質検査には, 教師なし異常検出が重要である。 本稿では,クロスマスク復元を用いた多機能再構成ネットワークMFRNetを提案する。 提案手法は,4つの公開データセットと1つの自作データセットにおいて,他の最先端のデータセットと高い競争力,あるいは大幅に上回っている。
• 参考スコア（独自算出の注目度）: 4.742650815342744
• License:
• Abstract: Unsupervised anomaly detection using only normal samples is of great significance for quality inspection in industrial manufacturing. Although existing reconstruction-based methods have achieved promising results, they still face two problems: poor distinguishable information in image reconstruction and well abnormal regeneration caused by model under-regularization. To overcome the above issues, we convert the image reconstruction into a combination of parallel feature restorations and propose a multi-feature reconstruction network, MFRNet, using crossed-mask restoration in this paper. Specifically, a multi-scale feature aggregator is first developed to generate more discriminative hierarchical representations of the input images from a pre-trained model. Subsequently, a crossed-mask generator is adopted to randomly cover the extracted feature map, followed by a restoration network based on the transformer structure for high-quality repair of the missing regions. Finally, a hybrid loss is equipped to guide model training and anomaly estimation, which gives consideration to both the pixel and structural similarity. Extensive experiments show that our method is highly competitive with or significantly outperforms other state-of-the-arts on four public available datasets and one self-made dataset.
• Abstract（参考訳）: 工業生産における品質検査において,正常試料のみを用いた無監督異常検出が重要である。 既存の再構成手法は有望な結果を得たが、画像再構成における識別性に乏しい情報と、モデルアンダーレギュラー化による異常な再生という2つの問題に直面している。 上記の課題を克服するために,画像再構成を並列特徴復元の組み合わせに変換し,マルチ機能再構成ネットワークであるMFRNetを提案する。 具体的には、予め訓練されたモデルから入力画像のより識別的な階層的表現を生成するために、まずマルチスケール特徴集約器を開発した。 その後、抽出した特徴マップをランダムにカバーするためにクロスマスクジェネレータを採用し、次いで、欠落した領域の高品質な修復のためのトランス構造に基づく復元ネットワークを構築する。 最後に、ハイブリッド損失は、モデルトレーニングと異常推定をガイドし、画素と構造的類似性の両方を考慮している。 大規模な実験により、我々の手法は4つの公開データセットと1つの自作データセットにおいて、他の最先端のデータセットと非常に競争的であるか、大幅に上回っていることが示された。

関連論文リスト

• ALMRR: Anomaly Localization Mamba on Industrial Textured Surface with Feature Reconstruction and Refinement [3.417713976280609]
  工業用テクスチャ画像における教師なし異常な局所化は顕著な成果を上げている。 画像に基づく手法は、正常領域と異常領域の両方をよく再構成する傾向がある。 特徴に基づく手法は大量の意味情報を含む。
  論文  参考訳（メタデータ） (2024-07-25T01:58:10Z)
• 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)
• 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)
• A Lightweight Reconstruction Network for Surface Defect Inspection [3.6823636353870954]
  本稿では,再構成ネットワークに基づく教師なし欠陥検出アルゴリズムを提案する。 再構成ネットワークは、軽量な構造を持つ完全畳み込みオートエンコーダによって設計されている。 その結果,再構成ネットワークの非教師なし欠陥検出アルゴリズムは強い堅牢性と精度を有することがわかった。
  論文  参考訳（メタデータ） (2022-12-25T08:59:15Z)
• 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)
• PC-GANs: Progressive Compensation Generative Adversarial Networks for Pan-sharpening [50.943080184828524]
  空間情報とスペクトル情報の漸進的補償によりMS画像のシャープ化を行うパンシャーピングの新しい2段階モデルを提案する。 モデル全体が三重GANで構成されており、特定のアーキテクチャに基づいて、三重GANを同時に訓練できるように、共同補償損失関数が設計されている。
  論文  参考訳（メタデータ） (2022-07-29T03:09:21Z)
• Transformer-empowered Multi-scale Contextual Matching and Aggregation for Multi-contrast MRI Super-resolution [55.52779466954026]
  マルチコントラスト・スーパーレゾリューション (SR) 再構成により, SR画像の高画質化が期待できる。 既存の手法では、これらの特徴をマッチングし、融合させる効果的なメカニズムが欠如している。 そこで本稿では,トランスフォーマーを利用したマルチスケールコンテキストマッチングとアグリゲーション技術を開発することで,これらの問題を解決する新しいネットワークを提案する。
  論文  参考訳（メタデータ） (2022-03-26T01:42:59Z)
• MIST-net: Multi-domain Integrative Swin Transformer network for Sparse-View CT Reconstruction [6.620837759518855]
  スパースビューデータ再構成は、典型的な過小評価された逆問題の一つである。 マルチドメイン統合スウィントランスネットワーク(MIST-net)を提案する。 48ビューの数値データセットを用いた実験により,提案したMIST-netにより画像品質が向上した。
  論文  参考訳（メタデータ） (2021-11-28T14:43:26Z)
• 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)
• Over-and-Under Complete Convolutional RNN for MRI Reconstruction [57.95363471940937]
  MR画像再構成のための最近のディープラーニングに基づく手法は、通常、汎用的なオートエンコーダアーキテクチャを利用する。 OUCR(Over-and-Under Complete Convolu?tional Recurrent Neural Network)を提案する。 提案手法は, トレーニング可能なパラメータの少ない圧縮されたセンシングと, 一般的なディープラーニングに基づく手法に対して, 大幅な改善を実現する。
  論文  参考訳（メタデータ） (2021-06-16T15:56:34Z)

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。