論文の概要: Revisiting DDIM Inversion for Controlling Defect Generation by Disentangling the Background

• arxiv url: http://arxiv.org/abs/2411.16767v1
• Date: Mon, 25 Nov 2024 04:05:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-27 13:37:04.609828
• Title: Revisiting DDIM Inversion for Controlling Defect Generation by Disentangling the Background
• Title（参考訳）: 背景のアンタングリングによる欠陥発生制御のためのDDIMインバージョンの再検討
• Authors: Youngjae Cho, Gwangyeol Kim, Sirojbek Safarov, Seongdeok Bang, Jaewoo Park,
• Abstract要約: 異常検出において、異常データの不足は、ディープニューラルネットワーク表現を効果的に活用する上での課題となる。 本稿では,欠陥の認知に影響を及ぼす背景と欠陥の関係をモデル化することを提案する。 提案手法は,対象の通常の画像に不変な背景を持つ欠陥を生じさせることを示す。
• 参考スコア（独自算出の注目度）: 5.247863056798329
• License:
• Abstract: In anomaly detection, the scarcity of anomalous data compared to normal data poses a challenge in effectively utilizing deep neural network representations to identify anomalous features. From a data-centric perspective, generative models can solve this data imbalance issue by synthesizing anomaly datasets. Although previous research tried to enhance the controllability and quality of generating defects, they do not consider the relation between background and defect. Since the defect depends on the object's background (i.e., the normal part of an object), training only the defect area cannot utilize the background information, and even generation can be biased depending on the mask information. In addition, controlling logical anomalies should consider the dependency between background and defect areas (e.g., orange colored defect on a orange juice bottle). In this paper, our paper proposes modeling a relationship between the background and defect, where background affects denoising defects; however, the reverse is not. We introduce the regularizing term to disentangle denoising background from defects. From the disentanglement loss, we rethink defect generation with DDIM Inversion, where we generate the defect on the target normal image. Additionally, we theoretically prove that our methodology can generate a defect on the target normal image with an invariant background. We demonstrate our synthetic data is realistic and effective in several experiments.
• Abstract（参考訳）: 異常検出において、正常データと比較して異常データの不足は、深いニューラルネットワーク表現を効果的に活用して異常な特徴を識別する上での課題となる。 データ中心の観点からは、生成モデルは異常データセットを合成することで、このデータ不均衡問題を解決することができる。 従来の研究では, 欠陥発生の制御性と品質の向上が試みられたが, 背景と欠陥の関係は考慮されていない。 欠陥は、対象の背景(例えば、対象の通常の部分)に依存するため、欠陥領域のみのトレーニングは、背景情報を利用することができず、マスク情報に応じて発生も偏りが生じる。 さらに、論理的異常を制御するには、背景領域と欠陥領域(オレンジジュースボトルのオレンジ色欠陥など)の依存性を考慮する必要がある。 本稿では,背景と欠陥の関係をモデル化することを提案する。 欠陥から脱臭の背景を乱すために正規化という用語を導入する。 歪み損失から、DDIM逆転による欠陥生成を再考し、対象の正常画像の欠陥を生成する。 さらに,本手法は,不変背景を持つ対象の通常の画像に欠陥を生じさせることができることを理論的に証明する。 いくつかの実験で、我々の合成データが現実的で効果的であることを実証した。

関連論文リスト

• Fine-grained Abnormality Prompt Learning for Zero-shot Anomaly Detection [88.34095233600719]
  FAPromptは、より正確なZSADのためにきめ細かい異常プロンプトを学習するために設計された新しいフレームワークである。 画像レベルおよび画素レベルのZSADタスクにおいて、最先端の手法を少なくとも3%-5%のAUC/APで大幅に上回っている。
  論文  参考訳（メタデータ） (2024-10-14T08:41:31Z)
• Few-shot Defect Image Generation based on Consistency Modeling [1.8029094254659288]
  DefectDiffuは、複数の製品にまたがる欠陥の一貫性をモデル化する、新しいテキスト誘導拡散法である。 DefectDiffuは、世代品質と多様性の点で最先端の手法を超越している。
  論文  参考訳（メタデータ） (2024-08-01T08:29:42Z)
• Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
  具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。 本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
  論文  参考訳（メタデータ） (2024-01-06T07:30:41Z)
• AnomalyDiffusion: Few-Shot Anomaly Image Generation with Diffusion Model [59.08735812631131]
  製造業において異常検査が重要な役割を担っている。 既存の異常検査手法は、異常データが不足しているため、その性能に制限がある。 本稿では,新しい拡散型マイクロショット異常生成モデルであるAnomalyDiffusionを提案する。
  論文  参考訳（メタデータ） (2023-12-10T05:13:40Z)
• Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
  本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。 さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。 提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
  論文  参考訳（メタデータ） (2023-11-27T13:14:06Z)
• The role of noise in denoising models for anomaly detection in medical images [62.0532151156057]
  病理脳病変は脳画像に多彩な外観を示す。 正規データのみを用いた教師なし異常検出手法が提案されている。 空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-01-19T21:39:38Z)
• Lossy Compression for Robust Unsupervised Time-Series Anomaly Detection [4.873362301533825]
  本稿では,異常検出のためのLossy Causal Temporal Convolutional Neural Network Autoencoderを提案する。 我々のフレームワークは, 速度歪み損失とエントロピーボトルネックを用いて, タスクの圧縮潜在表現を学習する。
  論文  参考訳（メタデータ） (2022-12-05T14:29:16Z)
• 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)
• SLA$^2$P: Self-supervised Anomaly Detection with Adversarial Perturbation [77.71161225100927]
  異常検出は、機械学習の基本的な問題であるが、難しい問題である。 本稿では,非教師付き異常検出のための新しい強力なフレームワークであるSLA$2$Pを提案する。
  論文  参考訳（メタデータ） (2021-11-25T03:53:43Z)
• Semi-supervised Anomaly Detection using AutoEncoders [0.0]
  異常検出(英: Anomaly detection)とは、通常のデータから際立った異常なインスタンスを見つけるタスクである。 本稿では,異常検出のための畳み込み自動エンコーダアーキテクチャを提案する。 このアプローチは2つのデータセットでテストされ、平均F1スコア0.885を達成しました。
  論文  参考訳（メタデータ） (2020-01-06T23:06:28Z)

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。