論文の概要: Background-Aware Defect Generation for Robust Industrial Anomaly Detection

• arxiv url: http://arxiv.org/abs/2411.16767v2
• Date: Fri, 28 Feb 2025 09:29:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-03 13:39:12.197411
• Title: Background-Aware Defect Generation for Robust Industrial Anomaly Detection
• Title（参考訳）: ロバストな産業異常検出のための背景認識欠陥生成
• Authors: Youngjae Cho, Gwangyeol Kim, Sirojbek Safarov, Seongdeok Bang, Jaewoo Park,
• Abstract要約: 生成モデルは、現実的な欠陥サンプルを合成することによってこの問題を軽減することができる。 既存のアプローチは、欠陥とその背景の間の重要な相互作用をモデル化するのに失敗することが多い。 本稿では, バックグラウンド自体に影響を与えることなく, バックグラウンドが欠陥の認知に影響を及ぼすような, 新たなバックグラウンド認識型欠陥生成フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 5.247863056798329
• License:
• Abstract: Detecting anomalies in industrial settings is challenging due to the scarcity of labeled anomalous data. Generative models can mitigate this issue by synthesizing realistic defect samples, but existing approaches often fail to model the crucial interplay between defects and their background. This oversight leads to unrealistic anomalies, especially in scenarios where contextual consistency is essential (i.e., logical anomaly). To address this, we propose a novel background-aware defect generation framework, where the background influences defect denoising without affecting the background itself by ensuring realistic synthesis while preserving structural integrity. Our method leverages a disentanglement loss to separate the background' s denoising process from the defect, enabling controlled defect synthesis through DDIM Inversion. We theoretically demonstrate that our approach maintains background fidelity while generating contextually accurate defects. Extensive experiments on MVTec AD and MVTec Loco benchmarks validate our mehtod's superiority over existing techniques in both defect generation quality and anomaly detection performance.
• Abstract（参考訳）: ラベル付き異常データの不足により,産業環境で異常を検出することは困難である。 生成モデルは、現実的な欠陥サンプルを合成することによってこの問題を軽減することができるが、既存のアプローチでは、欠陥とその背景の間の重要な相互作用をモデル化できないことが多い。 この監視は非現実的な異常、特に文脈的一貫性が不可欠である場合(すなわち論理的異常)に繋がる。 そこで,本研究では,構造的整合性を維持しつつ,現実的な合成を保証することにより,背景が背景に影響を及ぼすことなく,欠陥発生に影響を及ぼす新しい背景認識型欠陥生成フレームワークを提案する。 本手法は,不整合損失を生かして,背景のノイズ発生過程と欠陥を分離し,DDIMインバージョンによる制御欠陥合成を可能にする。 理論的には、我々の手法は文脈的に正確な欠陥を発生しながら背景の忠実さを維持することを実証する。 MVTec ADとMVTec Locoベンチマークの大規模な実験は、欠陥発生品質と異常検出性能の両方において、既存の技術よりもメフトッドの方が優れていることを検証する。

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。