論文の概要: Reconstruction-Free Anomaly Detection with Diffusion Models via Direct Latent Likelihood Evaluation

• arxiv url: http://arxiv.org/abs/2504.05662v1
• Date: Tue, 08 Apr 2025 04:23:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-17 02:22:49.137752
• Title: Reconstruction-Free Anomaly Detection with Diffusion Models via Direct Latent Likelihood Evaluation
• Title（参考訳）: 拡散モデルを用いた直接潜時類似度評価による再構成不要な異常検出
• Authors: Shunsuke Sakai, Tatsuhito Hasegawa,
• Abstract要約: 本稿では,資源集約的再構築の必要性を回避するために,新しい拡散型異常検出手法を提案する。 入力画像を再構成する代わりに、対応する潜在変数を直接推論し、ガウス事前分布の下でそれらの密度を測定する。 注目すべきは、2-5段階の短い部分拡散過程を用いても、先行密度は異常スコアとして有効であることが証明されることである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion models, with their robust distribution approximation capabilities, have demonstrated excellent performance in anomaly detection. However, conventional reconstruction-based approaches rely on computing the reconstruction error between the original and denoised images, which requires careful noise-strength tuning and over ten network evaluations per input-leading to significantly slower detection speeds. To address these limitations, we propose a novel diffusion-based anomaly detection method that circumvents the need for resource-intensive reconstruction. Instead of reconstructing the input image, we directly infer its corresponding latent variables and measure their density under the Gaussian prior distribution. Remarkably, the prior density proves effective as an anomaly score even when using a short partial diffusion process of only 2-5 steps. We evaluate our method on the MVTecAD dataset, achieving an AUC of 0.991 at 15 FPS, thereby setting a new state-of-the-art speed-AUC anomaly detection trade-off.
• Abstract（参考訳）: 拡散モデルとその分布近似能力は, 異常検出において優れた性能を示した。 しかし、従来の再構成に基づくアプローチでは、元の画像と復号画像の間の再構成誤差の計算に頼っているため、入出力毎に10以上のネットワーク評価が必要であり、検出速度が大幅に遅くなる。 これらの制約に対処するため,資源集約的再構築の必要性を回避するために,拡散型異常検出手法を提案する。 入力画像を再構成する代わりに、対応する潜在変数を直接推論し、ガウス事前分布の下でそれらの密度を測定する。 注目すべきは、2-5段階の短い部分拡散過程を用いても、先行密度は異常スコアとして有効であることが証明されることである。 本手法はMVTecADデータセット上で評価し、15 FPSで0.991のAUCを達成し、新しい最先端のAUC異常検出トレードオフを設定する。

関連論文リスト

• One-for-More: Continual Diffusion Model for Anomaly Detection [61.12622458367425]
  異常検出法は拡散モデルを用いて任意の異常画像が与えられたときの正常サンプルの生成または再構成を行う。 われわれは,拡散モデルが「重度忠実幻覚」と「破滅的な忘れ」に悩まされていることを発見した。 本研究では,安定な連続学習を実現するために勾配予測を用いた連続拡散モデルを提案する。
  論文  参考訳（メタデータ） (2025-02-27T07:47:27Z)
• Anomaly detection using Diffusion-based methods [15.049468347670421]
  本稿では,拡散モデルによる異常検出の有用性について検討する。 コンパクトデータセットと高解像度データセットの両方における偏差を識別する効果に重点を置いている。
  論文  参考訳（メタデータ） (2024-12-10T14:17:23Z)
• Diffusion Priors for Variational Likelihood Estimation and Image Denoising [10.548018200066858]
  本稿では,現実の雑音に対処するために,逆拡散過程における適応的確率推定とMAP推定を提案する。 実世界の多様なデータセットの実験と分析により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2024-10-23T02:52:53Z)
• ASD-Diffusion: Anomalous Sound Detection with Diffusion Models [6.659078422704148]
  実世界の工場において, 拡散モデル(ASD-Diffusion)に基づく異常音検出法が提案されている。 再構成後の入力から大きくずれた異常を検出するために, 後処理異常フィルタアルゴリズムを提案する。 暗黙的拡散モデルを導入し、推論速度を高速化する。
  論文  参考訳（メタデータ） (2024-09-24T10:42:23Z)
• 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)
• Projection Regret: Reducing Background Bias for Novelty Detection via Diffusion Models [72.07462371883501]
  本研究では,非意味情報のバイアスを緩和する効率的な新規性検出手法であるemphProjection Regret(PR)を提案する。 PRは、テスト画像とその拡散ベースの投影の間の知覚距離を計算し、異常を検出する。 拡張実験により、PRは生成モデルに基づく新規性検出手法の先行技術よりも有意なマージンで優れていることが示された。
  論文  参考訳（メタデータ） (2023-12-05T09:44:47Z)
• 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)
• On Diffusion Modeling for Anomaly Detection [13.312007032203857]
  拡散モデルは密度に基づく異常検出の魅力的な候補である。 本研究では,拡散に基づく異常検出手法が,半教師付き設定と教師なし設定の両方で競合的に動作することを示す。 これらの結果は拡散に基づく異常検出を従来の方法に代わるスケーラブルな代替手段として確立する。
  論文  参考訳（メタデータ） (2023-05-29T20:19:45Z)
• DiffusionAD: Norm-guided One-step Denoising Diffusion for Anomaly Detection [89.49600182243306]
  我々は拡散モデルを用いて再構成過程をノイズ・ツー・ノームパラダイムに再構成する。 本稿では,拡散モデルにおける従来の反復的復調よりもはるかに高速な高速な一段階復調パラダイムを提案する。 セグメント化サブネットワークは、入力画像とその異常のない復元を用いて画素レベルの異常スコアを予測する。
  論文  参考訳（メタデータ） (2023-03-15T16:14:06Z)
• 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)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)

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。