論文の概要: ReplayCAD: Generative Diffusion Replay for Continual Anomaly Detection

• arxiv url: http://arxiv.org/abs/2505.06603v1
• Date: Sat, 10 May 2025 11:29:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-13 20:21:48.937236
• Title: ReplayCAD: Generative Diffusion Replay for Continual Anomaly Detection
• Title（参考訳）: ReplayCAD:連続異常検出のための生成拡散再生
• Authors: Lei Hu, Zhiyong Gan, Ling Deng, Jinglin Liang, Lingyu Liang, Shuangping Huang, Tianshui Chen,
• Abstract要約: CAD(Continuous Anomaly Detection)は,歴史クラスに関する知識を維持しつつ,新しいクラスを学習する際の異常検出モデルを可能にする。 CADは2つの大きな課題に直面している。 高品質な履歴データを再生する新しい拡散駆動型生成再生フレームワークであるReplayCADを提案する。 分類とセグメント化の両面での最先端性能を実現し, セグメンテーションでは11.5%, MVTecでは8.1%, セグメンテーションでは顕著な改善が見られた。
• 参考スコア（独自算出の注目度）: 16.718717467131597
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Continual Anomaly Detection (CAD) enables anomaly detection models in learning new classes while preserving knowledge of historical classes. CAD faces two key challenges: catastrophic forgetting and segmentation of small anomalous regions. Existing CAD methods store image distributions or patch features to mitigate catastrophic forgetting, but they fail to preserve pixel-level detailed features for accurate segmentation. To overcome this limitation, we propose ReplayCAD, a novel diffusion-driven generative replay framework that replay high-quality historical data, thus effectively preserving pixel-level detailed features. Specifically, we compress historical data by searching for a class semantic embedding in the conditional space of the pre-trained diffusion model, which can guide the model to replay data with fine-grained pixel details, thus improving the segmentation performance. However, relying solely on semantic features results in limited spatial diversity. Hence, we further use spatial features to guide data compression, achieving precise control of sample space, thereby generating more diverse data. Our method achieves state-of-the-art performance in both classification and segmentation, with notable improvements in segmentation: 11.5% on VisA and 8.1% on MVTec. Our source code is available at https://github.com/HULEI7/ReplayCAD.
• Abstract（参考訳）: CAD(Continuous Anomaly Detection)は,歴史クラスに関する知識を維持しつつ,新しいクラスを学習する際の異常検出モデルを可能にする。 CADは2つの大きな課題に直面している。 既存のCAD手法では、画像の分布やパッチの特徴を保存して破滅的な忘れを軽減しているが、正確なセグメンテーションのためにピクセルレベルの詳細な特徴を保存できない。 この制限を克服するために,高画質の歴史的データを再生し,ピクセルレベルの詳細な特徴を効果的に保存する,拡散駆動型生成再生フレームワークであるReplayCADを提案する。 具体的には,事前学習した拡散モデルの条件空間にクラスセマンティック埋め込みを埋め込むことにより,過去のデータを圧縮し,そのモデルが細粒度のピクセルの詳細でデータを再生するように誘導し,セグメンテーション性能を向上させる。 しかし、意味的特徴のみに依存すると、空間的多様性は制限される。 これにより、空間的特徴を利用してデータの圧縮をガイドし、サンプル空間の正確な制御を実現し、より多様なデータを生成する。 分類とセグメント化の両面での最先端性能を実現し, セグメンテーションでは11.5%, MVTecでは8.1%, セグメンテーションでは顕著な改善が見られた。 ソースコードはhttps://github.com/HULEI7/ReplayCADで公開されています。

関連論文リスト

• SIGMA:Sinkhorn-Guided Masked Video Modeling [69.31715194419091]
  SIGMA (Sinkhorn-guided Masked Video Modelling) は、新しいビデオ事前学習法である。 時空管の特徴を,限られた数の学習可能なクラスタに均等に分散する。 10個のデータセットによる実験結果から,より高性能で時間的,堅牢な映像表現を学習する上で,SIGMAの有効性が検証された。
  論文  参考訳（メタデータ） (2024-07-22T08:04:09Z)
• Exemplar-Free Class Incremental Learning via Incremental Representation [26.759108983223115]
  古い擬似機能を構築することなく, efCIL のためのtextbfsimple Incremental Representation (IR) フレームワークを提案する。 IRはデータセット拡張を利用して、適切な特徴空間をカバーし、単一のL2スペースメンテナンス損失を使用することでモデルを忘れないようにしている。
  論文  参考訳（メタデータ） (2024-03-24T16:29:50Z)
• Placing Objects in Context via Inpainting for Out-of-distribution Segmentation [59.00092709848619]
  コンテキスト内のオブジェクトの配置(POC)は、イメージにオブジェクトを現実的に追加するためのパイプラインである。 POCは任意の数のオブジェクトで任意のデータセットを拡張するために使用することができる。 本稿では,POC 生成データに基づく様々な異常セグメンテーションデータセットを提示し,最近の最先端の異常チューニング手法の性能向上を実証する。
  論文  参考訳（メタデータ） (2024-02-26T08:32:41Z)
• Enhancing Consistency and Mitigating Bias: A Data Replay Approach for Incremental Learning [93.90047628101155]
  ディープラーニングシステムは、一連のタスクから学ぶとき、破滅的な忘れがちだ。 これを解決するために、新しいタスク学習中に過去のタスクからのデータを再生する手法を提案する。 しかし、メモリの制約やデータプライバシーの問題により、実際には期待できない。
  論文  参考訳（メタデータ） (2024-01-12T12:51:12Z)
• 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)
• FAGC:Feature Augmentation on Geodesic Curve in the Pre-Shape Space [2.617962830559083]
  本研究では, 形状空間理論に基づく特徴拡張法, すなわち, FAGC と呼ばれるジオデシック曲線上の特徴増強法を提案する。 提案手法は,小サンプルデータセットに対して単純で効果的で無感な手法である。
  論文  参考訳（メタデータ） (2023-12-06T07:26:02Z)
• FRE: A Fast Method For Anomaly Detection And Segmentation [5.0468312081378475]
  本稿では,視覚異常検出とセグメンテーション問題を解決するための原理的アプローチを提案する。 本稿では,事前学習したDNNが生み出す中間特性に対する線形統計量次元削減手法の適用について述べる。 高次元空間における原特徴と低次元縮小埋め込みの前像との差の$ell$-normのEmphfeature reconstruction error (FRE) が異常検出に極めて有効であることを示す。
  論文  参考訳（メタデータ） (2022-11-23T01:03:20Z)
• RGB-D Saliency Detection via Cascaded Mutual Information Minimization [122.8879596830581]
  既存のRGB-Dサリエンシ検出モデルは、RGBと深さを効果的にマルチモーダル学習を実現するために明示的に奨励するものではない。 本稿では,RGB画像と深度データ間のマルチモーダル情報を「明示的」にモデル化するために,相互情報最小化による新しい多段階学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-15T12:31:27Z)
• CutPaste: Self-Supervised Learning for Anomaly Detection and Localization [59.719925639875036]
  通常のトレーニングデータのみを用いて異常検知器を構築するためのフレームワークを提案する。 まず、自己教師付き深層表現を学習し、学習した表現の上に生成的1クラス分類器を構築する。 MVTec異常検出データセットに関する実証研究は,提案アルゴリズムが実世界の様々な欠陥を検出可能であることを実証している。
  論文  参考訳（メタデータ） (2021-04-08T19:04:55Z)

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。