論文の概要: STAGE: Segmentation-oriented Industrial Anomaly Synthesis via Graded Diffusion with Explicit Mask Alignment

• arxiv url: http://arxiv.org/abs/2509.06693v1
• Date: Mon, 08 Sep 2025 13:47:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:04.17103
• Title: STAGE: Segmentation-oriented Industrial Anomaly Synthesis via Graded Diffusion with Explicit Mask Alignment
• Title（参考訳）: STAGE: 明示的マスクアライメントを用いた傾斜拡散によるセグメント指向産業異常合成
• Authors: Xichen Xu, Yanshu Wang, Jinbao Wang, Qunyi Zhang, Xiaoning Lei, Guoyang Xie, Guannan Jiang, Zhichao Lu,
• Abstract要約: 産業異常合成(SIAS)は下流異常セグメンテーションの性能向上に重要な役割を果たしている。 SIASメソッドにはいくつかの限界がある。 本稿では,STAGEと呼ばれるマスクアライメントを用いた傾斜拡散法を提案する。
• 参考スコア（独自算出の注目度）: 29.572404530614175
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Segmentation-oriented Industrial Anomaly Synthesis (SIAS) plays a pivotal role in enhancing the performance of downstream anomaly segmentation, as it provides an effective means of expanding abnormal data. However, existing SIAS methods face several critical limitations: (i) the synthesized anomalies often lack intricate texture details and fail to align precisely with the surrounding background, and (ii) they struggle to generate fine-grained, pixel-level anomalies. To address these challenges, we propose Segmentation-oriented Anomaly synthesis via Graded diffusion with Explicit mask alignment, termed STAGE. STAGE introduces a novel anomaly inference strategy that incorporates clean background information as a prior to guide the denoising distribution, enabling the model to more effectively distinguish and highlight abnormal foregrounds. Furthermore, it employs a graded diffusion framework with an anomaly-only branch to explicitly record local anomalies during both the forward and reverse processes, ensuring that subtle anomalies are not overlooked. Finally, STAGE incorporates the explicit mask alignment (EMA) strategy to progressively align the synthesized anomalies with the background, resulting in context-consistent and structurally coherent generations. Extensive experiments on the MVTec and BTAD datasets demonstrate that STAGE achieves state-of-the-art performance in SIAS, which in turn enhances downstream anomaly segmentation.
• Abstract（参考訳）: セグメンテーション指向産業異常合成(SIAS)は、異常データを拡張するための効果的な手段を提供するため、下流異常セグメンテーションの性能向上に重要な役割を果たす。 しかし、既存のSIASメソッドにはいくつかの限界がある。 一 合成された奇形は、複雑なテクスチャの細部を欠き、周囲の背景と正確に整合しない場合が多い。 (II)細粒度でピクセルレベルの異常を発生させるのに苦労する。 これらの課題に対処するため,Segmentation-oriented Anomaly synthesis by Graded diffusion with Explicit mask alignment, called STAGE。 STAGEは、クリーンな背景情報を事前に組み込んだ新しい異常推論戦略を導入し、デノナイジング分布をガイドし、モデルのより効果的な識別と、異常な前景のハイライトを可能にする。 さらに、前処理と逆処理の両方で局所異常を明示的に記録し、微妙な異常を見逃さないようにするために、異常のみの分岐を持つ段階的な拡散フレームワークを採用している。 最後に、STAGEは明示的なマスクアライメント(EMA)戦略を取り入れ、合成された異常を背景と漸進的に整列させ、結果としてコンテキスト一貫性と構造的に一貫性のある世代を生み出す。 MVTecとBTADデータセットの大規模な実験により、STAGEがSIASの最先端性能を達成することが示され、結果として下流異常セグメンテーションが強化される。

関連論文リスト

• SARD: Segmentation-Aware Anomaly Synthesis via Region-Constrained Diffusion with Discriminative Mask Guidance [4.65786322515141]
  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。
  論文  参考訳（メタデータ） (2025-08-05T06:43:01Z)
• 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)
• Towards Accurate Unified Anomaly Segmentation [25.415671183061317]
  画像からの教師なし異常検出(UAD)は、正常なデータ分布をモデル化し、異常を識別し、ローカライズするための離散表現を作成する。 効率的で統一されたワン・フォー・オール・スキームの最近の進歩にもかかわらず、さらなる監視のために異常を正確にセグメント化することは困難である。 未解決セグメンテーションタスクに対処するため,Unified Anomaly (UniAS)を導入する。 UniASは、MVTec-ADおよびVisAデータセット上のpAP/DSCで65.12/59.33と40.06/32.50という最先端の異常セグメンテーション性能を達成する。
  論文  参考訳（メタデータ） (2025-01-21T17:02:51Z)
• 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)
• Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
  本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。 さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。 提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
  論文  参考訳（メタデータ） (2023-11-27T13:14:06Z)
• 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。