論文の概要: Towards High-Resolution Industrial Image Anomaly Detection

• arxiv url: http://arxiv.org/abs/2508.12931v1
• Date: Mon, 18 Aug 2025 13:54:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-19 14:49:11.363353
• Title: Towards High-Resolution Industrial Image Anomaly Detection
• Title（参考訳）: 高分解能産業画像異常検出に向けて
• Authors: Ximiao Zhang, Min Xu, Xiuzhuang Zhou,
• Abstract要約: HiADは高分解能異常検出のための一般的なフレームワークである。 異なるスケールで異常なキューを統合するデュアルブランチアーキテクチャを採用している。 高解像度画像におけるきめ細かいテクスチャ変化によって生じる課題に対処するために、マルチレゾリューション機能融合戦略が組み込まれている。
• 参考スコア（独自算出の注目度）: 7.626097310990373
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Current anomaly detection methods primarily focus on low-resolution scenarios. For high-resolution images, conventional downsampling often results in missed detections of subtle anomalous regions due to the loss of fine-grained discriminative information. Despite some progress, recent studies have attempted to improve detection resolution by employing lightweight networks or using simple image tiling and ensemble methods. However, these approaches still struggle to meet the practical demands of industrial scenarios in terms of detection accuracy and efficiency. To address the above issues, we propose HiAD, a general framework for high-resolution anomaly detection. HiAD is capable of detecting anomalous regions of varying sizes in high-resolution images under limited computational resources. Specifically, HiAD employs a dual-branch architecture that integrates anomaly cues across different scales to comprehensively capture both subtle and large-scale anomalies. Furthermore, it incorporates a multi-resolution feature fusion strategy to tackle the challenges posed by fine-grained texture variations in high-resolution images. To enhance both adaptability and efficiency, HiAD utilizes a detector pool in conjunction with various detector assignment strategies, enabling detectors to be adaptively assigned based on patch features, ensuring detection performance while effectively controlling computational costs. We conduct extensive experiments on our specifically constructed high-resolution anomaly detection benchmarks, including MVTec-HD, VisA-HD, and the real-world benchmark RealIAD-HD, demonstrating the superior performance of HiAD. The code is available at https://github.com/cnulab/HiAD.
• Abstract（参考訳）: 現在の異常検出法は主に低解像度のシナリオに焦点を当てている。 高解像度画像の場合、従来のダウンサンプリングは、微妙な識別情報の欠如により、微妙な異常領域の検出に失敗することが多い。 若干の進歩にもかかわらず、最近の研究では、軽量ネットワークを利用したり、単純な画像タイリングやアンサンブル手法を用いて検出精度の向上を試みている。 しかし、これらのアプローチは、検出精度と効率の点で、産業シナリオの現実的な要求を満たすのに苦慮している。 上記の問題に対処するため,高分解能異常検出のための一般的なフレームワークであるHiADを提案する。 HiADは、限られた計算資源の下で高解像度画像の様々な大きさの異常領域を検出することができる。 具体的には、HiADでは、異なるスケールにわたる異常キューを統合して、微妙かつ大規模な異常を包括的にキャプチャするデュアルブランチアーキテクチャを採用している。 さらに、高解像度画像におけるきめ細かいテクスチャ変化によって生じる課題に対処するために、マルチレゾリューション機能融合戦略を取り入れている。 適応性と効率性の両方を高めるため、HiADは様々な検出器割り当て戦略と共に検出器プールを使用し、検出器をパッチの特徴に基づいて適応的に割り当て、検出性能を確保し、計算コストを効果的に制御する。 MVTec-HD, VisA-HD, 実世界のベンチマークである RealIAD-HD など, 特別に構築した高分解能異常検出ベンチマークについて広範な実験を行い, HiAD の優れた性能を実証した。 コードはhttps://github.com/cnulab/HiAD.comで公開されている。

関連論文リスト

• Crane: Context-Guided Prompt Learning and Attention Refinement for Zero-Shot Anomaly Detection [50.343419243749054]
  異常検出は、医学診断や工業的欠陥検出などの分野において重要である。 CLIPの粗粒化画像テキストアライメントは、微粒化異常に対する局所化と検出性能を制限する。 クレーンは最先端のZSADを2%から28%に改善し、画像レベルとピクセルレベルの両方で、推論速度では競争力を維持している。
  論文  参考訳（メタデータ） (2025-04-15T10:42:25Z)
• Robust Distribution Alignment for Industrial Anomaly Detection under Distribution Shift [51.24522135151649]
  異常検出は産業アプリケーションの品質管理において重要な役割を担っている。 既存の方法は、一般化可能なモデルをトレーニングすることで、ドメインシフトに対処しようとする。 提案手法は,最先端の異常検出法や領域適応法と比較して,優れた結果を示す。
  論文  参考訳（メタデータ） (2025-03-19T05:25:52Z)
• PA-CLIP: Enhancing Zero-Shot Anomaly Detection through Pseudo-Anomaly Awareness [10.364634539199422]
  本稿では,背景雑音を低減し,擬似異常に基づくフレームワークによる欠陥検出を向上するゼロショット異常検出手法であるPA-CLIPを紹介する。 提案手法は,グローバルおよびローカルの詳細な情報を収集するためのマルチスケール特徴集約戦略を統合する。 既存のゼロショット法よりも優れており、工業的欠陥検出のための堅牢なソリューションを提供する。
  論文  参考訳（メタデータ） (2025-03-03T08:29:27Z)
• Optimizing Multispectral Object Detection: A Bag of Tricks and Comprehensive Benchmarks [49.84182981950623]
  RGBおよびTIR(熱赤外)変調を利用したマルチスペクトル物体検出は,課題として広く認識されている。 モダリティと堅牢な融合戦略の両方から特徴を効果的に抽出するだけでなく、スペクトルの相違といった問題に対処する能力も必要である。 本稿では,高パフォーマンス単一モードモデルのシームレスな最適化が可能な,効率的かつ容易にデプロイ可能なマルチスペクトルオブジェクト検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-27T12:18:39Z)
• MiniMaxAD: A Lightweight Autoencoder for Feature-Rich Anomaly Detection [1.7234530131333607]
  MiniMaxADは、通常の画像から広範囲の情報を効率よく圧縮し記憶するように設計された効率的なオートエンコーダである。 このモデルでは,特徴量の多様性を向上し,ネットワークの有効容量を増大させる手法を採用している。 我々の手法では、どんなデータセットも機能豊富な異常検出の枠組みの下で統一することができる。
  論文  参考訳（メタデータ） (2024-05-16T09:37:54Z)
• Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
  具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。 本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
  論文  参考訳（メタデータ） (2024-01-06T07:30:41Z)
• Small Object Detection via Coarse-to-fine Proposal Generation and Imitation Learning [52.06176253457522]
  本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。 CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-08-18T13:13:09Z)
• Pyramid Grafting Network for One-Stage High Resolution Saliency Detection [29.013012579688347]
  我々は、異なる解像度画像から特徴を独立して抽出する、Praamid Grafting Network (PGNet) と呼ばれるワンステージフレームワークを提案する。 CNNブランチが壊れた詳細情報をよりホモロジーに組み合わせられるように、アテンションベースのクロスモデルグラフティングモジュール (CMGM) が提案されている。 我々は,4K-8K解像度で5,920個の画像を含む超高分解能塩度検出データセットUHRSDを新たに提供した。
  論文  参考訳（メタデータ） (2022-04-11T12:22:21Z)
• Multi-Scale Aligned Distillation for Low-Resolution Detection [68.96325141432078]
  本稿では,高分解能モデルや多分解能モデルから知識を抽出することで,低分解能モデルの性能を向上させることに焦点を当てる。 いくつかのインスタンスレベルの検出タスクとデータセットにおいて,本手法を用いて訓練された低解像度モデルと,従来のマルチスケールトレーニングによる訓練された高解像度モデルとを競合的に処理する。
  論文  参考訳（メタデータ） (2021-09-14T12:53:35Z)
• Joint-SRVDNet: Joint Super Resolution and Vehicle Detection Network [17.57284924547865]
  車両の識別・高分解能画像を生成するための統合超解像・車両検出ネットワーク(Joint-SRVDNet)を提案する。 空中画像はMsGAN(Multiscale Generative Adversarial Network)を用いて4倍の係数でアップスケールされる。 ネットワークは、ターゲットの階層的特徴と識別的特徴を共同で学習し、最適な超解像結果を生成する。
  論文  参考訳（メタデータ） (2020-05-03T04:28:44Z)

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。