論文の概要: "Stones from Other Hills can Polish Jade": Zero-shot Anomaly Image Synthesis via Cross-domain Anomaly Injection

• arxiv url: http://arxiv.org/abs/2501.15211v1
• Date: Sat, 25 Jan 2025 13:30:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-28 13:56:39.187418
• Title: "Stones from Other Hills can Polish Jade": Zero-shot Anomaly Image Synthesis via Cross-domain Anomaly Injection
• Title（参考訳）: ポーランド・ジャドの「他の丘の音」:クロスドメイン異常注入によるゼロショット異常画像合成
• Authors: Siqi Wang, Yuanze Hu, Xinwang Liu, Siwei Wang, Guangpu Wang, Chuanfu Xu, Jie Liu, Ping Chen,
• Abstract要約: 産業画像異常検出(IAD)は大きな価値を持つ重要なトピックである。 特定の近代工業領域における実際の異常(すなわち、ドメイン固有の異常)は、収集するにはまれすぎる。 既存のソリューションは、真の擬似異常を合成できないか、あるいは面倒な訓練を必要とする。 そこで本研究では,ZSASの真正性と無学習性を両立できる新しいパラダイムを提案する。
• 参考スコア（独自算出の注目度）: 57.62922387074768
• License:
• Abstract: Industrial image anomaly detection (IAD) is a pivotal topic with huge value. Due to anomaly's nature, real anomalies in a specific modern industrial domain (i.e. domain-specific anomalies) are usually too rare to collect, which severely hinders IAD. Thus, zero-shot anomaly synthesis (ZSAS), which synthesizes pseudo anomaly images without any domain-specific anomaly, emerges as a vital technique for IAD. However, existing solutions are either unable to synthesize authentic pseudo anomalies, or require cumbersome training. Thus, we focus on ZSAS and propose a brand-new paradigm that can realize both authentic and training-free ZSAS. It is based on a chronically-ignored fact: Although domain-specific anomalies are rare, real anomalies from other domains (i.e. cross-domain anomalies) are actually abundant and directly applicable to ZSAS. Specifically, our new ZSAS paradigm makes three-fold contributions: First, we propose a novel method named Cross-domain Anomaly Injection (CAI), which directly exploits cross-domain anomalies to enable highly authentic ZSAS in a training-free manner. Second, to supply CAI with sufficient cross-domain anomalies, we build the first domain-agnostic anomaly dataset within our best knowledge, which provides ZSAS with abundant real anomaly patterns. Third, we propose a CAI-guided Diffusion Mechanism, which further breaks the quantity limit of real anomalies and enable unlimited anomaly synthesis. Our head-to-head comparison with existing ZSAS solutions justifies our paradigm's superior performance for IAD and demonstrates it as an effective and pragmatic ZSAS solution.
• Abstract（参考訳）: 産業画像異常検出(IAD)は大きな価値を持つ重要なトピックである。 異常の性質のため、特定の近代工業領域(すなわち、ドメイン固有の異常)の実際の異常は収集するにはまれであり、IADを著しく阻害する。 したがって、ドメイン固有の異常のない擬似異常画像を合成するゼロショット異常合成(ZSAS)は、IDAにとって重要な技術として現れる。 しかし、既存の解法は真偽の異常を合成できないか、あるいは面倒な訓練を必要とする。 そこで我々は,ZSASに焦点をあて,ZSASの真正性と無学習性を両立できる新しいパラダイムを提案する。 ドメイン固有の異常は稀であるが、他のドメインからの実際の異常(クロスドメイン異常)は実際には豊富であり、ZSASに直接適用される。 まず、クロスドメイン異常注入(CAI)と呼ばれる新しい手法を提案し、クロスドメイン異常を直接利用して、高度に認証されたZSASをトレーニング不要で実現する。 第2に、十分なドメイン間の異常をCAIに供給するために、私たちの最良の知識の中でドメインに依存しない最初の異常データセットを構築し、ZSASに豊富な実際の異常パターンを提供する。 第3に,CAI誘導拡散機構を提案する。これは実際の異常の量制限を破り,無制限な異常合成を可能にする。 既存のZSASソリューションと直接比較することで、IADに対するパラダイムの優れた性能が正当化され、効果的で実用的なZSASソリューションとして実証されます。

関連論文リスト

• On The Relationship between Visual Anomaly-free and Anomalous Representations [0.0]
  異常検出はコンピュータビジョンにおいて重要な問題であり、様々な現実の応用がある。 本稿では,本研究の要旨として,正規サンプルの異常のない視覚パターンの空間が,クラス固有の異常サンプルの様々な異常パターンの空間とよく相関していることを示す。
  論文  参考訳（メタデータ） (2024-10-09T06:18:53Z)
• 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)
• Unraveling the "Anomaly" in Time Series Anomaly Detection: A Self-supervised Tri-domain Solution [89.16750999704969]
  異常ラベルは時系列異常検出において従来の教師付きモデルを妨げる。 自己教師型学習のような様々なSOTA深層学習技術がこの問題に対処するために導入されている。 自己教師型3領域異常検出器(TriAD)を提案する。
  論文  参考訳（メタデータ） (2023-11-19T05:37:18Z)
• Anomaly Heterogeneity Learning for Open-set Supervised Anomaly Detection [26.08881235151695]
  オープンセット型教師付き異常検出(OSAD)は、トレーニング中に見られたいくつかの異常クラスのサンプルを利用して、見えない異常を検出することを目的としている。 異種不均一分布の多様集合をシミュレートする新しいアプローチ,すなわちAHL(Anomaly Heterogeneity Learning)を導入する。 AHL can 1) は, 目に見える異常や見えない異常の検出において, 最先端のOSADモデルを大幅に強化し, 2) 新たな領域の異常を効果的に一般化することを示した。
  論文  参考訳（メタデータ） (2023-10-19T14:47:11Z)
• Open-Set Multivariate Time-Series Anomaly Detection [7.127829790714167]
  時系列異常検出法は、トレーニング期間中に通常のサンプルのみが利用可能であると仮定する。 監視された手法は、通常の異常や観察された異常を分類するために利用することができるが、訓練中に見られる異常に過度に適応する傾向がある。 MOSAD(Multivarate Open-Set Time-Series Anomaly Detector)と呼ばれるオープンセットTSAD問題に対処するアルゴリズムを提案する。 MOSADは、共有表現空間と、生成ヘッド、識別ヘッド、異常認識コントラストヘッドを含む特殊ヘッドを備えた、新しいマルチヘッドTSADフレームワークである。
  論文  参考訳（メタデータ） (2023-10-18T19:55:11Z)
• Prototypical Residual Networks for Anomaly Detection and Localization [80.5730594002466]
  本稿では,PRN(Prototypeal Residual Network)というフレームワークを提案する。 PRNは、異常領域の分割マップを正確に再構築するために、異常領域と正常パターンの間の様々なスケールとサイズの特徴的残差を学習する。 異常を拡大・多様化するために,見かけの相違と外観の相違を考慮に入れた様々な異常発生戦略を提示する。
  論文  参考訳（メタデータ） (2022-12-05T05:03:46Z)
• Are we certain it's anomalous? [57.729669157989235]
  時系列における異常検出は、高度に非線形な時間的相関のため、異常は稀であるため、複雑なタスクである。 本稿では,異常検出(HypAD)におけるハイパボリック不確実性の新しい利用法を提案する。 HypADは自己指導で入力信号を再構築する。
  論文  参考訳（メタデータ） (2022-11-16T21:31:39Z)
• Active Learning-based Isolation Forest (ALIF): Enhancing Anomaly Detection in Decision Support Systems [2.922007656878633]
  ALIFは一般的な孤立林の軽量な修正であり、他の最先端のアルゴリズムと比較して優れた性能を示した。 提案手法は,現実のシナリオでますます普及しているDSS(Decision Support System)の存在に特に注目されている。
  論文  参考訳（メタデータ） (2022-07-08T14:36:38Z)
• Toward Deep Supervised Anomaly Detection: Reinforcement Learning from Partially Labeled Anomaly Data [150.9270911031327]
  本稿では,一部のラベル付き異常事例と大規模ラベルなしデータセットを用いた異常検出の問題点について考察する。 既存の関連手法は、通常、一連の異常にまたがらない限られた異常例にのみ適合するか、ラベルのないデータから教師なしの学習を進めるかのいずれかである。 そこで本研究では,ラベル付きおよびラベルなし両方の異常の検出をエンドツーエンドに最適化する,深層強化学習に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2020-09-15T03:05:39Z)

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。