論文の概要: Beyond Human-prompting: Adaptive Prompt Tuning with Semantic Alignment for Anomaly Detection

• arxiv url: http://arxiv.org/abs/2508.16157v1
• Date: Fri, 22 Aug 2025 07:26:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-25 16:42:36.290877
• Title: Beyond Human-prompting: Adaptive Prompt Tuning with Semantic Alignment for Anomaly Detection
• Title（参考訳）: 人間のプロンプトを超えて: 意味的アライメントを用いた適応型プロンプトチューニングによる異常検出
• Authors: Pi-Wei Chen, Jerry Chun-Wei Lin, Wei-Han Chen, Jia Ji, Zih-Ching Chen, Feng-Hao Yeh, Chao-Chun Chen,
• Abstract要約: textbfAdaptive textbfPrompt textbfTuning with semantic alignment for Anomaly Detection (APT)を提案する。 APTは、ノイズ摂動を伴う自己生成異常サンプルを使用して、異なるシナリオでコンテキスト依存異常をキャプチャする学習可能なプロンプトを訓練する。 本システムは,複数のベンチマークデータセットに対して,先行知識を必要とせず,最先端のパフォーマンスを実現する。
• 参考スコア（独自算出の注目度）: 20.650740481670276
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pre-trained Vision-Language Models (VLMs) have recently shown promise in detecting anomalies. However, previous approaches are fundamentally limited by their reliance on human-designed prompts and the lack of accessible anomaly samples, leading to significant gaps in context-specific anomaly understanding. In this paper, we propose \textbf{A}daptive \textbf{P}rompt \textbf{T}uning with semantic alignment for anomaly detection (APT), a groundbreaking prior knowledge-free, few-shot framework and overcomes the limitations of traditional prompt-based approaches. APT uses self-generated anomaly samples with noise perturbations to train learnable prompts that capture context-dependent anomalies in different scenarios. To prevent overfitting to synthetic noise, we propose a Self-Optimizing Meta-prompt Guiding Scheme (SMGS) that iteratively aligns the prompts with general anomaly semantics while incorporating diverse synthetic anomaly. Our system not only advances pixel-wise anomaly detection, but also achieves state-of-the-art performance on multiple benchmark datasets without requiring prior knowledge for prompt crafting, establishing a robust and versatile solution for real-world anomaly detection.
• Abstract（参考訳）: VLM(Pre-trained Vision-Language Models)は近年,異常検出の可能性を示唆している。 しかしながら、従来のアプローチは、人間によって設計されたプロンプトへの依存とアクセス可能な異常サンプルの欠如により、基本的に制限されており、コンテキスト固有の異常理解において大きなギャップが生じる。 本稿では,従来のプロンプトベースのアプローチの限界を克服した,知識のない,少数ショットのフレームワークであるAPTのセマンティックアライメントを併用した,<textbf{A}daptive \textbf{P}rompt \textbf{T}Uning \textbf{P}rompt \textbf{T}を提案する。 APTは、ノイズ摂動を伴う自己生成異常サンプルを使用して、異なるシナリオでコンテキスト依存異常をキャプチャする学習可能なプロンプトを訓練する。 合成ノイズへの過度な適応を防止するため,多種多様な合成異常を組み込んだ自己最適化メタプロンプト誘導スキーム(SMGS)を提案する。 本システムでは,画素単位の異常検出を高速化するだけでなく,複数のベンチマークデータセットに対して,事前知識を必要とせず,実世界の異常検出のための堅牢で汎用的なソリューションを確立することで,最先端のパフォーマンスを実現する。

関連論文リスト

• Fine-grained Abnormality Prompt Learning for Zero-shot Anomaly Detection [88.34095233600719]
  FAPromptは、より正確なZSADのためにきめ細かい異常プロンプトを学習するために設計された新しいフレームワークである。 画像レベルおよび画素レベルのZSADタスクにおいて、最先端の手法を少なくとも3%-5%のAUC/APで大幅に上回っている。
  論文  参考訳（メタデータ） (2024-10-14T08:41:31Z)
• Human-Free Automated Prompting for Vision-Language Anomaly Detection: Prompt Optimization with Meta-guiding Prompt Scheme [19.732769780675977]
  事前学習された視覚言語モデル(VLM)は、数ショットの学習を通じて、様々な下流タスクに高い適応性を持つ。 従来の手法は、特定の異常なタイプの事前の知識を必要とする人為的なプロンプトに依存している。 我々のゴールは、データ駆動方式でプロンプトを最適に学習する、人間の自由なプロンプトベースの異常検出フレームワークを開発することである。
  論文  参考訳（メタデータ） (2024-06-26T09:29:05Z)
• PromptAD: Learning Prompts with only Normal Samples for Few-Shot Anomaly Detection [59.34973469354926]
  本稿では,PromptADと呼ばれる,数発の異常検出のための一級プロンプト学習手法を提案する。 画像レベル/ピクセルレベルの異常検出のために、PromptADはMVTecとVisAで11/12のショット設定で1位を達成した。
  論文  参考訳（メタデータ） (2024-04-08T06:53:30Z)
• Don't Miss Out on Novelty: Importance of Novel Features for Deep Anomaly Detection [64.21963650519312]
  異常検出(AD)は、正規性の学習モデルに適合しない観察を識別する重要なタスクである。 本稿では, 入力空間における説明不能な観測として, 説明可能性を用いた新しいAD手法を提案する。 当社のアプローチでは,複数のベンチマークにまたがる新たな最先端性を確立し,さまざまな異常な型を扱う。
  論文  参考訳（メタデータ） (2023-10-01T21:24:05Z)
• Hard-normal Example-aware Template Mutual Matching for Industrial Anomaly Detection [78.734927709231]
  異常検出器は、クエリー画像の未知の欠陥を検出し、ローカライズするために工業製造で広く使われている。 これらの検出器は異常のないサンプルで訓練され、ほとんどの通常のサンプルと区別された異常を成功させた。 しかし、ハードノーマルな例は、ほとんどの通常のサンプルから遠く離れており、しばしば既存の方法によって異常と誤認される。
  論文  参考訳（メタデータ） (2023-03-28T17:54:56Z)

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。