論文の概要: FAST: Foreground-aware Diffusion with Accelerated Sampling Trajectory for Segmentation-oriented Anomaly Synthesis

• arxiv url: http://arxiv.org/abs/2509.20295v1
• Date: Wed, 24 Sep 2025 16:28:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-25 20:53:19.905874
• Title: FAST: Foreground-aware Diffusion with Accelerated Sampling Trajectory for Segmentation-oriented Anomaly Synthesis
• Title（参考訳）: FAST: セグメンテーション指向の異常合成のための加速サンプリング軌道を用いた前景認識拡散
• Authors: Xichen Xu, Yanshu Wang, Jinbao Wang, Xiaoning Lei, Guoyang Xie, Guannan Jiang, Zhichao Lu,
• Abstract要約: 本稿では,Anomaly-Informed Accelerated Smpling (AIAS) とForeground-Aware Restruction Module (FARM) の2つの新しいモジュールを特徴とする,フォアグラウンド対応拡散フレームワークを提案する。 AIAS(AIAS)は、セグメンテーション指向の産業的異常合成のために特別に設計された訓練不要サンプリングアルゴリズムである。 FARMは、サンプリングステップ毎にマスクされた前景領域内の異常認識ノイズを適応的に調整し、復調軌跡全体にわたって局所的な異常信号を保存する。
• 参考スコア（独自算出の注目度）: 30.846094090226444
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Industrial anomaly segmentation relies heavily on pixel-level annotations, yet real-world anomalies are often scarce, diverse, and costly to label. Segmentation-oriented industrial anomaly synthesis (SIAS) has emerged as a promising alternative; however, existing methods struggle to balance sampling efficiency and generation quality. Moreover, most approaches treat all spatial regions uniformly, overlooking the distinct statistical differences between anomaly and background areas. This uniform treatment hinders the synthesis of controllable, structure-specific anomalies tailored for segmentation tasks. In this paper, we propose FAST, a foreground-aware diffusion framework featuring two novel modules: the Anomaly-Informed Accelerated Sampling (AIAS) and the Foreground-Aware Reconstruction Module (FARM). AIAS is a training-free sampling algorithm specifically designed for segmentation-oriented industrial anomaly synthesis, which accelerates the reverse process through coarse-to-fine aggregation and enables the synthesis of state-of-the-art segmentation-oriented anomalies in as few as 10 steps. Meanwhile, FARM adaptively adjusts the anomaly-aware noise within the masked foreground regions at each sampling step, preserving localized anomaly signals throughout the denoising trajectory. Extensive experiments on multiple industrial benchmarks demonstrate that FAST consistently outperforms existing anomaly synthesis methods in downstream segmentation tasks. We release the code at: https://anonymous.4open.science/r/NeurIPS-938.
• Abstract（参考訳）: 産業的異常セグメンテーションはピクセルレベルのアノテーションに大きく依存するが、実世界の異常はしばしばラベル付けに不足し、多様で費用がかかる。 セグメンテーション指向産業異常合成(SIAS)は有望な代替手段として現れているが、既存の手法はサンプリング効率と生成品質のバランスをとるのに苦労している。 さらに、ほとんどの手法は、異常領域と背景領域の異なる統計的差異を見越して、すべての空間領域を均一に扱う。 この一様処理は、セグメンテーションタスクに適した制御可能な構造特異的な異常の合成を妨げる。 本稿では,Anomaly-Informed Accelerated Smpling (AIAS) とフォアグラウンド・アウェア・リストラクション・モジュール (FARM) の2つの新しいモジュールを特徴とする,フォアグラウンド対応拡散フレームワークであるFASTを提案する。 AIASは、セグメンテーション指向の産業的異常合成のために特別に設計されたトレーニング不要サンプリングアルゴリズムであり、粗大な凝集による逆過程を加速し、最先端のセグメンテーション指向の異常を10ステップで合成することができる。 一方、FARMは、サンプリングステップ毎にマスクされた前景領域内の異常認識ノイズを適応的に調整し、復調軌跡全体にわたって局所的な異常信号を保存する。 複数の産業ベンチマークでの大規模な実験により、FASTは下流セグメンテーションタスクにおいて既存の異常合成法より一貫して優れていることが示された。 コードについては、https://anonymous.4open.science/r/NeurIPS-938で公開しています。

関連論文リスト

• STAGE: Segmentation-oriented Industrial Anomaly Synthesis via Graded Diffusion with Explicit Mask Alignment [29.572404530614175]
  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。
  論文  参考訳（メタデータ） (2025-09-08T13:47:01Z)
• 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)
• Center-aware Residual Anomaly Synthesis for Multi-class Industrial Anomaly Detection [2.3494824114381814]
  異常検出は産業画像の検査において重要な役割を担っている。 既存の手法では各カテゴリごとに別々のモデルが必要であり、結果としてデプロイコストが倍増する。 マルチクラス異常検出のためのCRAS(Center-Aware Residual Anomaly Synthesis)法を提案する。
  論文  参考訳（メタデータ） (2025-05-23T06:56:44Z)
• Open-set Anomaly Segmentation in Complex Scenarios [88.11076112792992]
  本稿では,複雑なシナリオにおけるオープンセット異常セグメンテーションのベンチマークであるComsAmyを紹介する。 ComsAmyは、幅広い悪天候、動的な運転環境、様々な異常タイプを含む。 本稿では,エネルギーとエントロピーの相補的情報を統合する新しいエネルギ-エントロピー学習(EEL)戦略を提案する。
  論文  参考訳（メタデータ） (2025-04-28T12:00:10Z)
• Progressive Boundary Guided Anomaly Synthesis for Industrial Anomaly Detection [1.5680795779726031]
  教師なし異常検出法は, 通常の試料のみを応用して, 産業画像の表面欠陥を識別することができる。 本稿では, 補助的なテクスチャを伴わずに, 重要な特徴レベルの異常を指向的に合成できる新しいプログレッシブ・バウンダリ誘導型異常合成(PBAS)戦略を提案する。 本手法は,3つの産業用データセットの最先端性能と高速検出速度を実現する。
  論文  参考訳（メタデータ） (2024-12-23T10:26:26Z)
• 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。