論文の概要: AnomalyHybrid: A Domain-agnostic Generative Framework for General Anomaly Detection

• arxiv url: http://arxiv.org/abs/2504.04340v1
• Date: Sun, 06 Apr 2025 03:28:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-08 14:11:31.245407
• Title: AnomalyHybrid: A Domain-agnostic Generative Framework for General Anomaly Detection
• Title（参考訳）: AnomalyHybrid:一般異常検出のためのドメインに依存しない生成フレームワーク
• Authors: Ying Zhao,
• Abstract要約: AnomalyHybridは、本物で多様な異常を生成するために設計されたドメインに依存しないフレームワークである。 AnomalyHybridはGAN(Generative Adversarial Network)ベースのフレームワークで、参照画像の外観をそれぞれターゲット画像の深さとエッジ構造に統合する2つのデコーダを備えている。
• 参考スコア（独自算出の注目度）: 3.180143442781838
• License:
• Abstract: Anomaly generation is an effective way to mitigate data scarcity for anomaly detection task. Most existing works shine at industrial anomaly generation with multiple specialists or large generative models, rarely generalizing to anomalies in other applications. In this paper, we present AnomalyHybrid, a domain-agnostic framework designed to generate authentic and diverse anomalies simply by combining the reference and target images. AnomalyHybrid is a Generative Adversarial Network(GAN)-based framework having two decoders that integrate the appearance of reference image into the depth and edge structures of target image respectively. With the help of depth decoders, AnomalyHybrid achieves authentic generation especially for the anomalies with depth values changing, such a s protrusion and dent. More, it relaxes the fine granularity structural control of the edge decoder and brings more diversity. Without using annotations, AnomalyHybrid is easily trained with sets of color, depth and edge of same images having different augmentations. Extensive experiments carried on HeliconiusButterfly, MVTecAD and MVTec3D datasets demonstrate that AnomalyHybrid surpasses the GAN-based state-of-the-art on anomaly generation and its downstream anomaly classification, detection and segmentation tasks. On MVTecAD dataset, AnomalyHybrid achieves 2.06/0.32 IS/LPIPS for anomaly generation, 52.6 Acc for anomaly classification with ResNet34, 97.3/72.9 AP for image/pixel-level anomaly detection with a simple UNet.
• Abstract（参考訳）: 異常発生は、異常検出タスクにおけるデータの不足を軽減する効果的な方法である。 既存の作品の多くは、複数の専門家や大規模な生成モデルによる工業的異常発生に輝き、他の応用における異常に一般化されることは滅多にない。 本稿では,参照画像と対象画像を組み合わせるだけで,真正かつ多様な異常を生成できるドメインに依存しないフレームワークであるAnomalyHybridを提案する。 AnomalyHybridはGAN(Generative Adversarial Network)ベースのフレームワークで、参照画像の外観をそれぞれターゲット画像の深さとエッジ構造に統合する2つのデコーダを備えている。 深度デコーダの助けを借りて、AnomalyHybridは特に深度値が変化した異常に対して、sプロテクションやデントのような真の生成を実現する。 さらに、エッジデコーダの微細な粒度構造制御を緩和し、より多くの多様性をもたらす。 アノテーションを使わずに、AnomalyHybridは、異なる拡張を持つ同じ画像の色、深さ、エッジのセットで簡単に訓練できる。 Heliconius Butterfly, MVTecAD, MVTec3Dデータセットによる大規模な実験により、AnomalyHybridはGANベースの異常発生と下流異常分類、検出、セグメンテーションタスクを超越していることが示された。 MVTecADデータセットでは、AnomalyHybridは異常生成のための2.06/0.32 IS/LPIPS、ResNet34, 97.3/72.9 APで異常分類のための52.6 Acc、単純なUNetで画像/ピクセルレベルの異常検出を行う。

関連論文リスト

• 3CAD: A Large-Scale Real-World 3C Product Dataset for Unsupervised Anomaly [22.150521360544744]
  3CADと呼ばれる大規模異常検出データセットを提案する。 3CADには8種類の製造部品があり、合計27,039個の高解像度画像にピクセルレベルの異常をラベル付けしている。 これは、3C製品の品質管理に特化した、最大かつ最初の異常検出データセットである。
  論文  参考訳（メタデータ） (2025-02-09T03:37:54Z)
• AnomalyFactory: Regard Anomaly Generation as Unsupervised Anomaly Localization [3.180143442781838]
  AnomalyFactoryは、同じネットワークアーキテクチャで異常発生とローカライゼーションを統一する。 MVTecAD、VisA、MVTecLOCO、MADSim、RealIADを含む5つのデータセットで包括的な実験が行われた。
  論文  参考訳（メタデータ） (2024-08-18T16:40:11Z)
• Spatial-aware Attention Generative Adversarial Network for Semi-supervised Anomaly Detection in Medical Image [63.59114880750643]
  本稿では,一級半教師付き健康画像生成のための空間意識生成ネットワーク(SAGAN)について紹介する。 SAGANは、正常な画像の復元と擬似異常画像の復元によって導かれる、ラベルのないデータに対応する高品質な健康画像を生成する。 3つの医学データセットに対する大規模な実験は、提案されたSAGANが最先端の手法よりも優れていることを示した。
  論文  参考訳（メタデータ） (2024-05-21T15:41:34Z)
• 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)
• 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)
• 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)
• Detecting Anomalies using Generative Adversarial Networks on Images [0.0]
  本稿では,新しいGANに基づく異常検出モデルを提案する。 通常の(非非正則な)画像を使用して、入力画像が異常/脅威オブジェクトを含むかどうかを検知する正常性について学習する。 CIFAR-10、MVTec AD(産業応用用)、SIXray(X線バッグセキュリティ用)の3つのデータセットで実験が行われた。
  論文  参考訳（メタデータ） (2022-11-24T21:52:25Z)
• 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)
• Unsupervised Two-Stage Anomaly Detection [18.045265572566276]
  単一の画像からの異常検出は、異常データが常に稀で、予測不能な型を持つ可能性があるため、難しい。 本研究では,高忠実かつ異常のない再構成を生成する2段階アプローチを提案する。 提案手法は,4つの異常検出データセットの最先端性能を上回っている。
  論文  参考訳（メタデータ） (2021-03-22T08:57:27Z)

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。