論文の概要: SALAD -- Semantics-Aware Logical Anomaly Detection

• arxiv url: http://arxiv.org/abs/2509.02101v1
• Date: Tue, 02 Sep 2025 08:58:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.970781
• Title: SALAD -- Semantics-Aware Logical Anomaly Detection
• Title（参考訳）: SALAD --Semantics-Aware Logical Anomaly Detection
• Authors: Matic Fučka, Vitjan Zavrtanik, Danijel Skočaj,
• Abstract要約: 本研究では,意味論的に識別可能な論理異常検出手法であるSALADを提案する。 新たに提案されたコンポジションブランチを組み込んで、オブジェクトコンポジションマップの分布を明示的にモデル化する。 これは、論理異常検出のための標準ベンチマークMVTec LOCOにおける最先端の手法を大幅に改善し、96.1%の印象的な画像レベルのAUROCを実現した。
• 参考スコア（独自算出の注目度）: 6.6016630449883955
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent surface anomaly detection methods excel at identifying structural anomalies, such as dents and scratches, but struggle with logical anomalies, such as irregular or missing object components. The best-performing logical anomaly detection approaches rely on aggregated pretrained features or handcrafted descriptors (most often derived from composition maps), which discard spatial and semantic information, leading to suboptimal performance. We propose SALAD, a semantics-aware discriminative logical anomaly detection method that incorporates a newly proposed composition branch to explicitly model the distribution of object composition maps, consequently learning important semantic relationships. Additionally, we introduce a novel procedure for extracting composition maps that requires no hand-made labels or category-specific information, in contrast to previous methods. By effectively modelling the composition map distribution, SALAD significantly improves upon state-of-the-art methods on the standard benchmark for logical anomaly detection, MVTec LOCO, achieving an impressive image-level AUROC of 96.1%. Code: https://github.com/MaticFuc/SALAD
• Abstract（参考訳）: 最近の表面異常検出法は、デントや引っかき傷などの構造異常を特定するのに優れているが、不規則または欠落した物体成分のような論理異常に悩まされている。 最も優れた論理的異常検出アプローチは、集約された事前訓練された特徴または手作りの記述子(多くは合成地図から派生している)に依存しており、空間的および意味的な情報を排除し、最適以下の性能をもたらす。 SALADは,対象合成図の分布を明示的にモデル化するために,新たに提案された合成枝を組み込んだ意味論的識別論理的異常検出手法であり,重要な意味関係を学習する。 また,従来手法とは対照的に,手作りラベルやカテゴリ特化情報を必要としない合成地図を抽出する新たな手法を提案する。 合成マップの分布を効果的にモデル化することにより、SALADは論理異常検出のための標準ベンチマークであるMVTec LOCOの最先端の手法を大幅に改善し、96.1%の印象的な画像レベルのAUROCを実現した。 コード:https://github.com/MaticFuc/SALAD

関連論文リスト

• 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)
• Orthogonal Subspace Decomposition for Generalizable AI-Generated Image Detection [58.87142367781417]
  航法的に訓練された検出器は、限定的で単調な偽のパターンに過度に適合する傾向にあり、特徴空間は高度に制約され、低ランクになる。 潜在的な治療法の1つは、ビジョンファウンデーションモデルに事前訓練された知識を取り入れて、機能領域を広げることである。 主要なコンポーネントを凍結し、残ったコンポーネントのみを適用することで、フェイクパターンを学習しながら、トレーニング済みの知識を保存します。
  論文  参考訳（メタデータ） (2024-11-23T19:10:32Z)
• SAM-LAD: Segment Anything Model Meets Zero-Shot Logic Anomaly Detection [17.32019706857109]
  視覚異常検出は、産業的欠陥検出や診断など、現実世界の応用において不可欠である。 我々は,任意のシーンにおける論理的異常検出のためのゼロショット・プラグイン・アンド・プレイフレームワークSAM-LADを提案する。 産業用データセットを含む様々なベンチマークを用いて,提案するSAM-LADを検証する。
  論文  参考訳（メタデータ） (2024-06-02T06:08:26Z)
• PUAD: Frustratingly Simple Method for Robust Anomaly Detection [0.0]
  対象の誤数のような論理的異常は空間的特徴写像によってうまく表現できないと我々は主張する。 本稿では, 特徴空間上に, 最先端の再構成に基づくアプローチに対して, 簡単な分布外検出手法を組み込む手法を提案する。 本手法は,MVTec LOCO ADデータセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-02-23T06:57:31Z)
• 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)
• Self-Supervised Predictive Convolutional Attentive Block for Anomaly Detection [97.93062818228015]
  本稿では,再建に基づく機能を,新たな自己監督型予測アーキテクチャビルディングブロックに統合することを提案する。 我々のブロックは、受容領域におけるマスク領域に対する再構成誤差を最小限に抑える損失を備える。 画像やビデオの異常検出のための最先端フレームワークに組み込むことで,ブロックの汎用性を実証する。
  論文  参考訳（メタデータ） (2021-11-17T13:30:31Z)

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。