Fugu-MT 論文翻訳(概要): SARD: Segmentation-Aware Anomaly Synthesis via Region-Constrained Diffusion with Discriminative Mask Guidance

論文の概要: SARD: Segmentation-Aware Anomaly Synthesis via Region-Constrained Diffusion with Discriminative Mask Guidance

arxiv url: http://arxiv.org/abs/2508.03143v1
Date: Tue, 05 Aug 2025 06:43:01 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-06 18:18:55.820584
Title: SARD: Segmentation-Aware Anomaly Synthesis via Region-Constrained Diffusion with Discriminative Mask Guidance
Title（参考訳）: SARD: 識別マスク誘導による領域制限拡散による分節認識異常合成
Authors: Yanshu Wang, Xichen Xu, Xiaoning Lei, Guoyang Xie,
Abstract要約: SARD (Segmentation-Aware anomaly synthesis via Region-constrained Diffusion with discriminative mask Guidance) は, 異常生成に特化して設計された新しい拡散型フレームワークである。 SARDは、セグメンテーションの精度と視覚的品質において既存の手法を超越し、ピクセルレベルの異常合成のための新しい最先端技術を確立している。
参考スコア（独自算出の注目度）: 4.65786322515141
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Synthesizing realistic and spatially precise anomalies is essential for enhancing the robustness of industrial anomaly detection systems. While recent diffusion-based methods have demonstrated strong capabilities in modeling complex defect patterns, they often struggle with spatial controllability and fail to maintain fine-grained regional fidelity. To overcome these limitations, we propose SARD (Segmentation-Aware anomaly synthesis via Region-constrained Diffusion with discriminative mask Guidance), a novel diffusion-based framework specifically designed for anomaly generation. Our approach introduces a Region-Constrained Diffusion (RCD) process that preserves the background by freezing it and selectively updating only the foreground anomaly regions during the reverse denoising phase, thereby effectively reducing background artifacts. Additionally, we incorporate a Discriminative Mask Guidance (DMG) module into the discriminator, enabling joint evaluation of both global realism and local anomaly fidelity, guided by pixel-level masks. Extensive experiments on the MVTec-AD and BTAD datasets show that SARD surpasses existing methods in segmentation accuracy and visual quality, setting a new state-of-the-art for pixel-level anomaly synthesis.
Abstract（参考訳）: 産業用異常検出システムのロバスト性を高めるためには,現実的かつ空間的精度の高い異常を合成することが不可欠である。最近の拡散法は複雑な欠陥パターンをモデル化する強力な能力を示しているが、空間制御性に苦しむことが多く、きめ細かい局所的な忠実さを維持できない。これらの制約を克服するために,SARD(Segmentation-Aware Anomaly synthesis via Region-Constrained Diffusion with discriminative mask Guidance)を提案する。提案手法では, 逆復調フェーズにおいて, 前景異常領域のみを選択的に更新し, バックグラウンドアーティファクトを効果的に低減する領域制約拡散(RCD)プロセスを導入する。さらに,ディスクリミネータに識別マスク誘導モジュール(DMG)を組み込むことにより,画素レベルのマスクによって誘導されるグローバルリアリズムと局所異常忠実性の両面を共同評価することができる。 MVTec-ADとBTADデータセットの大規模な実験により、SARDはセグメント化精度と視覚的品質で既存の手法を超越し、ピクセルレベルの異常合成のための新しい最先端技術を確立した。

関連論文リスト

Quality-Aware Language-Conditioned Local Auto-Regressive Anomaly Synthesis and Detection [30.77558600436759]
ARAS(ARAS)は、言語条件付き自動回帰異常合成手法である。トークンアンコールによる遅延編集によって、ローカルでテキスト指定の欠陥を通常の画像に注入する。欠陥リアリズムを著しく強化し、きめ細かい材料テクスチャを保存し、合成された異常に対して連続的な意味制御を提供する。
論文参考訳（メタデータ） (2025-08-05T15:07:32Z)
Generate Aligned Anomaly: Region-Guided Few-Shot Anomaly Image-Mask Pair Synthesis for Industrial Inspection [53.137651284042434]
異常検査は製造業において重要な役割を担っているが、異常サンプルの不足は既存の方法の有効性を制限している。本稿では,GAA (Generate grained Anomaly) を提案する。 GAAは少数のサンプルのみを用いて現実的で多様で意味的に整合した異常を発生させる。
論文参考訳（メタデータ） (2025-07-13T12:56:59Z)
MAGIC: Mask-Guided Diffusion Inpainting with Multi-Level Perturbations and Context-Aware Alignment for Few-Shot Anomaly Generation [4.773905705768453]
産業品質管理設定において, 少ない異常データを増大させるための実用的なソリューションとして, ショット異常生成が出現している。マルチレベル摂動とコンテキスト認識アライメントを備えたMAGIC-Mask-Guided Inpaintingを提案する。 MAGICは、下流の異常なタスクにおいて、過去の最先端のタスクより優れています。
論文参考訳（メタデータ） (2025-07-03T04:54:37Z)
Frequency Domain-Based Diffusion Model for Unpaired Image Dehazing [92.61216319417208]
そこで本稿では,未確認データにおける有益な知識を十分に活用するための,新しい周波数領域ベース拡散モデルを提案する。拡散モデル(DM)が示す強い生成能力に着想を得て,周波数領域再構成の観点からデハージング課題に取り組む。
論文参考訳（メタデータ） (2025-07-02T01:22:46Z)
CLIP Meets Diffusion: A Synergistic Approach to Anomaly Detection [54.85000884785013]
異常検出は、異常の定義の曖昧さ、異常型の多様性、トレーニングデータの不足による複雑な問題である。識別的基盤モデルと生成的基礎モデルの両方を活用するCLIPfusionを提案する。本手法は, 異常検出の多面的課題に対処する上で, マルチモーダル・マルチモデル融合の有効性を裏付けるものである。
論文参考訳（メタデータ） (2025-06-13T13:30:15Z)
Correcting Deviations from Normality: A Reformulated Diffusion Model for Multi-Class Unsupervised Anomaly Detection [15.572896213775438]
本稿では,選択的領域変更を目的とした標準拡散モデルの再構成を提案する。遅延空間における異常をノイズとしてモデル化することにより,通常の領域を保存し,異常領域の変換を促進する。包括的評価は, 複雑な画像中の異常を正確に同定し, 位置決めする上で, 提案手法の優位性を示すものである。
論文参考訳（メタデータ） (2025-03-25T05:14:40Z)
Unsupervised Region-Based Image Editing of Denoising Diffusion Models [50.005612464340246]
本研究では,事前学習した拡散モデルの潜在空間における意味的属性を,それ以上の訓練を伴わずに同定する手法を提案する。提案手法により,局所的なマスキング領域の正確な意味発見と制御が容易になり,アノテーションの必要がなくなる。
論文参考訳（メタデータ） (2024-12-17T13:46:12Z)
Feature Attenuation of Defective Representation Can Resolve Incomplete Masking on Anomaly Detection [1.0358639819750703]
教師なし異常検出(UAD)研究では、計算効率が高くスケーラブルなソリューションを開発する必要がある。再建・塗り替えのアプローチを再考し、強みと弱みを分析して改善する。異常再構成の特徴情報を減衰させる2つの層のみを用いるFADeR(Feature Attenuation of Defective Representation)を提案する。
論文参考訳（メタデータ） (2024-07-05T15:44:53Z)
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)
DiffusionAD: Norm-guided One-step Denoising Diffusion for Anomaly Detection [80.20339155618612]
DiffusionADは、再構成サブネットワークとセグメンテーションサブネットワークからなる、新しい異常検出パイプラインである。高速なワンステップデノゲーションパラダイムは、同等の再現品質を維持しながら、数百倍の加速を達成する。異常の出現の多様性を考慮し、複数のノイズスケールの利点を統合するためのノルム誘導パラダイムを提案する。
論文参考訳（メタデータ） (2023-03-15T16:14:06Z)

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。