論文の概要: CostFilter-AD: Enhancing Anomaly Detection through Matching Cost Filtering

• arxiv url: http://arxiv.org/abs/2505.01476v1
• Date: Fri, 02 May 2025 14:52:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-06 18:49:35.141997
• Title: CostFilter-AD: Enhancing Anomaly Detection through Matching Cost Filtering
• Title（参考訳）: CostFilter-AD:マッチングコストフィルタリングによる異常検出の強化
• Authors: Zhe Zhang, Mingxiu Cai, Hanxiao Wang, Gaochang Wu, Tianyou Chai, Xiatian Zhu,
• Abstract要約: 非教師付き異常検出(UAD)は、通常のサンプルに対して入力画像の異常マスクをローカライズしようとする。 古典的マッチングタスクから借用したコストフィルタリングの概念をUAD問題に導入する。 本稿では,複数の特徴層にまたがるアテンションクエリとして,入力観測によって導かれるコストボリュームフィルタリングネットワークを提案する。
• 参考スコア（独自算出の注目度）: 55.06680629960542
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unsupervised anomaly detection (UAD) seeks to localize the anomaly mask of an input image with respect to normal samples. Either by reconstructing normal counterparts (reconstruction-based) or by learning an image feature embedding space (embedding-based), existing approaches fundamentally rely on image-level or feature-level matching to derive anomaly scores. Often, such a matching process is inaccurate yet overlooked, leading to sub-optimal detection. To address this issue, we introduce the concept of cost filtering, borrowed from classical matching tasks, such as depth and flow estimation, into the UAD problem. We call this approach {\em CostFilter-AD}. Specifically, we first construct a matching cost volume between the input and normal samples, comprising two spatial dimensions and one matching dimension that encodes potential matches. To refine this, we propose a cost volume filtering network, guided by the input observation as an attention query across multiple feature layers, which effectively suppresses matching noise while preserving edge structures and capturing subtle anomalies. Designed as a generic post-processing plug-in, CostFilter-AD can be integrated with either reconstruction-based or embedding-based methods. Extensive experiments on MVTec-AD and VisA benchmarks validate the generic benefits of CostFilter-AD for both single- and multi-class UAD tasks. Code and models will be released at https://github.com/ZHE-SAPI/CostFilter-AD.
• Abstract（参考訳）: 非教師付き異常検出(UAD)は、通常のサンプルに対して入力画像の異常マスクをローカライズしようとする。 通常のもの(再構成ベース)の再構築や、画像特徴埋め込み空間(埋め込みベース)の学習によって、既存のアプローチは、異常スコアを導出するために、画像レベルまたは特徴レベルマッチングに基本的に依存する。 多くの場合、このようなマッチングプロセスは不正確だが見過ごされているため、準最適検出に繋がる。 この問題に対処するため,UAD問題に,深さや流量推定といった古典的なマッチングタスクから借用したコストフィルタリングの概念を導入している。 私たちはこのアプローチを CostFilter-AD} と呼びます。 具体的には、2つの空間次元と1つのマッチング次元からなり、ポテンシャルマッチングを符号化する。 そこで本稿では,複数の特徴層にまたがるアテンションクエリとして入力観測によって導かれるコストボリュームフィルタリングネットワークを提案する。 一般的な後処理プラグインとして設計されたCostFilter-ADは、再構築ベースまたは埋め込みベースのメソッドに統合できる。 MVTec-AD と VisA ベンチマークの大規模な実験は、単クラスと多クラスの両方の UAD タスクに対して CostFilter-AD の一般的な利点を検証する。 コードとモデルはhttps://github.com/ZHE-SAPI/CostFilter-ADでリリースされる。

関連論文リスト

• When Unsupervised Domain Adaptation meets One-class Anomaly Detection: Addressing the Two-fold Unsupervised Curse by Leveraging Anomaly Scarcity [9.742944501209656]
  本稿では、教師なし異常検出(UAD)のための、最初の教師なしドメイン適応(UDA)フレームワークを紹介する。 まずこの問題を定式化し、2倍の「教師なしの呪い」と呼ぶ。 我々は、この呪いの先駆的な解決策を提案し、これまでのところ、異常は稀であると仮定して、難解であると見なされている。
  論文  参考訳（メタデータ） (2025-02-28T13:05:47Z)
• Learning Feature Inversion for Multi-class Anomaly Detection under General-purpose COCO-AD Benchmark [101.23684938489413]
  異常検出(AD)は、しばしば産業品質検査や医学的病変検査のための異常の検出に焦点が当てられている。 この研究はまず、COCOをADフィールドに拡張することにより、大規模で汎用的なCOCO-ADデータセットを構築する。 セグメンテーション分野のメトリクスにインスパイアされた我々は、より実用的なしきい値に依存したAD固有のメトリクスをいくつか提案する。
  論文  参考訳（メタデータ） (2024-04-16T17:38:26Z)
• 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)
• Sparse Regularized Correlation Filter for UAV Object Tracking with adaptive Contextual Learning and Keyfilter Selection [20.786475337107472]
  相関フィルタは無人航空機(UAV)の追跡に広く応用されている。 2つの固有の欠陥、すなわち境界効果とフィルタの破損のために脆弱である。 本稿では,適応型文脈学習とキーフィルタ選択を用いた新しい$ell_1$正規化相関フィルタを提案する。
  論文  参考訳（メタデータ） (2022-05-07T10:25:56Z)
• Delving Deeper into Anti-aliasing in ConvNets [42.82751522973616]
  エイリアシング(Aliasing)は、高周波信号がサンプリング後に完全に異なる信号に縮退する現象である。 空間的位置とチャネル群ごとに異なるフィルタ重みを予測できる適応型コンテンツ対応低域フィルタ層を提案する。
  論文  参考訳（メタデータ） (2020-08-21T17:56:04Z)
• Dependency Aware Filter Pruning [74.69495455411987]
  重要でないフィルタを割ることは、推論コストを軽減するための効率的な方法である。 以前の作業は、その重み基準やそれに対応するバッチノームスケーリング要因に従ってフィルタをプルークする。 所望の空間性を達成するために,空間性誘導正規化を動的に制御する機構を提案する。
  論文  参考訳（メタデータ） (2020-05-06T07:41:22Z)

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。