論文の概要: ASBench: Image Anomalies Synthesis Benchmark for Anomaly Detection

• arxiv url: http://arxiv.org/abs/2510.07927v1
• Date: Thu, 09 Oct 2025 08:23:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-10 17:54:14.956024
• Title: ASBench: Image Anomalies Synthesis Benchmark for Anomaly Detection
• Title（参考訳）: ASBench:画像異常検出のための画像異常合成ベンチマーク
• Authors: Qunyi Zhang, Songan Zhang, Jinbao Wang, Xiaoning Lei, Guoyang Xie, Guannan Jiang, Zhichao Lu,
• Abstract要約: 異常検出は製造品質管理において重要な役割を担っているが、その応用は限られた異常サンプルと手作業による注釈コストによって制限されている。 本稿では,異常合成法を評価するためのベンチマークフレームワークASBenchを提案する。
• 参考スコア（独自算出の注目度）: 32.99680725493585
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Anomaly detection plays a pivotal role in manufacturing quality control, yet its application is constrained by limited abnormal samples and high manual annotation costs. While anomaly synthesis offers a promising solution, existing studies predominantly treat anomaly synthesis as an auxiliary component within anomaly detection frameworks, lacking systematic evaluation of anomaly synthesis algorithms. Current research also overlook crucial factors specific to anomaly synthesis, such as decoupling its impact from detection, quantitative analysis of synthetic data and adaptability across different scenarios. To address these limitations, we propose ASBench, the first comprehensive benchmarking framework dedicated to evaluating anomaly synthesis methods. Our framework introduces four critical evaluation dimensions: (i) the generalization performance across different datasets and pipelines (ii) the ratio of synthetic to real data (iii) the correlation between intrinsic metrics of synthesis images and anomaly detection performance metrics , and (iv) strategies for hybrid anomaly synthesis methods. Through extensive experiments, ASBench not only reveals limitations in current anomaly synthesis methods but also provides actionable insights for future research directions in anomaly synthesis
• Abstract（参考訳）: 異常検出は製造品質管理において重要な役割を担っているが、その応用は限られた異常サンプルと手作業による注釈コストによって制限されている。 異常合成は有望な解であるが、既存の研究では、異常合成アルゴリズムの体系的評価が欠如している異常検出フレームワークの補助成分として、主に異常合成を扱っている。 現在の研究は、検出から影響を分離する、合成データの定量的分析、異なるシナリオにおける適応性など、異常合成に特有の重要な要因も見落としている。 これらの制約に対処するため、我々は、異常合成法を評価するための最初の総合的なベンチマークフレームワークであるASBenchを提案する。 我々のフレームワークは、以下の4つの重要な評価基準を導入している。 一 異なるデータセット及びパイプライン間の一般化性能 (ii)合成データと実データとの比率 三 合成画像の内在指標と異常検出性能指標との相関 (4)ハイブリッドアノマリー合成手法の戦略 広範な実験を通じて、ASBenchは現在の異常合成法における限界を明らかにするだけでなく、異常合成における将来の研究方向に対する実用的な洞察を提供する。

関連論文リスト

• Statistical Inference Leveraging Synthetic Data with Distribution-Free Guarantees [27.512077526249524]
  高品質な合成データは、統計的推測の機会と課題の両方を提示する。 本稿では,任意の統計的推論手順をラップするGEneral Synthetic-Powered Inferenceフレームワークを提案する。 我々のフレームワークは、高品質な合成データを活用して統計的パワーを向上するが、実際のデータのみを用いて標準推論法に適応的にデフォルトとする。
  論文  参考訳（メタデータ） (2025-09-24T17:37:14Z)
• Understanding the Influence of Synthetic Data for Text Embedders [52.04771455432998]
  まず,Wangらによって提案された合成データの再生と公開を行った。 合成データがモデル一般化をどのように改善するかを批判的に検討する。 本研究は, 汎用インバータ構築における, 現在の合成データ手法の限界を浮き彫りにしたものである。
  論文  参考訳（メタデータ） (2025-09-07T19:28:52Z)
• Quality-Aware Language-Conditioned Local Auto-Regressive Anomaly Synthesis and Detection [30.77558600436759]
  ARAS(ARAS)は、言語条件付き自動回帰異常合成手法である。 トークンアンコールによる遅延編集によって、ローカルでテキスト指定の欠陥を通常の画像に注入する。 欠陥リアリズムを著しく強化し、きめ細かい材料テクスチャを保存し、合成された異常に対して連続的な意味制御を提供する。
  論文  参考訳（メタデータ） (2025-08-05T15:07:32Z)
• What's Wrong with Your Synthetic Tabular Data? Using Explainable AI to Evaluate Generative Models [1.024113475677323]
  我々は、実データと合成データとを区別するために訓練されたバイナリ検出分類器に、説明可能なAI(XAI)技術を適用した。 分類器は分布差を識別するが、XAIの概念は置換特徴の重要性、部分依存プロット、シェープリー値などの方法で解析され、なぜ合成データが識別可能であるかを明らかにする。 この解釈可能性は、合成データ評価における透明性を高め、従来のメトリクスを超えて深い洞察を提供する。
  論文  参考訳（メタデータ） (2025-04-29T12:10:52Z)
• A Unified Anomaly Synthesis Strategy with Gradient Ascent for Industrial Anomaly Detection and Localization [0.0]
  本稿では,多様体と超球分布制約の下で,より広範な異常のカバレッジを合成する新しい統一フレームワークを提案する。 GLASSはMVTec AD(99.9%のAUROC)、VisA、MPDDデータセットの最先端の結果を達成し、弱い欠陥検出に優れる。
  論文  参考訳（メタデータ） (2024-07-12T15:33:37Z)
• Unveiling the Flaws: Exploring Imperfections in Synthetic Data and Mitigation Strategies for Large Language Models [89.88010750772413]
  大規模言語モデル(LLM)の学習における高品質なデータ不足問題に対する解決法として,合成データを提案する。 我々の研究は、Q-A(Q-A)ペア、一般的な合成データに関連するこれらの特定の欠陥を掘り下げ、これらの欠陥を軽減するための未学習技術に基づく方法を提案する。 我々の研究は、より堅牢で効率的なLLMトレーニングを促進することを目的として、合成データの効果的な利用に関する重要な洞察を得た。
  論文  参考訳（メタデータ） (2024-06-18T08:38:59Z)
• A Neural Framework for Generalized Causal Sensitivity Analysis [78.71545648682705]
  本稿では,因果感受性分析のためのニューラルネットワークフレームワークであるNeuralCSAを提案する。 我々は、NeuralCSAが関心の因果クエリに有効な境界を推測できることを理論的に保証する。
  論文  参考訳（メタデータ） (2023-11-27T17:40:02Z)
• Towards stable real-world equation discovery with assessing differentiating quality influence [52.2980614912553]
  一般的に用いられる有限差分法に代わる方法を提案する。 我々は,これらの手法を実問題と類似した問題に適用可能であること,および方程式発見アルゴリズムの収束性を確保する能力の観点から評価する。
  論文  参考訳（メタデータ） (2023-11-09T23:32:06Z)
• A Discrepancy Aware Framework for Robust Anomaly Detection [51.710249807397695]
  本稿では,DAF(Disdisrepancy Aware Framework)を提案する。 本手法は,デコーダの欠陥同定に外見に依存しないキューを利用して,その合成外観への依存を緩和する。 単純な合成戦略の下では,既存の手法を大きなマージンで上回り,また,最先端のローカライゼーション性能も達成している。
  論文  参考訳（メタデータ） (2023-10-11T15:21:40Z)
• Achieving state-of-the-art performance in the Medical Out-of-Distribution (MOOD) challenge using plausible synthetic anomalies [0.5677301320664404]
  非教師付き異常検出(out-of-distribution detection)は、異常なサンプルを特定することを目的としている。 本手法は,局所的な合成異常を識別するためのセグメンテーションネットワークを訓練する自己教師型戦略に基づいている。 我々の貢献により, 合成異常発生プロセスが改善し, 合成異常がより均一になる。
  論文  参考訳（メタデータ） (2023-08-02T20:16:13Z)
• Delving into High-Quality Synthetic Face Occlusion Segmentation Datasets [83.749895930242]
  そこで本研究では,高品質な自然主義的合成隠蔽顔を製造するための2つの手法を提案する。 両手法の有効性とロバスト性を実証的に示す。 我々は,RealOccとRealOcc-Wildという,微細なアノテーションを付加した高精細な実世界の顔データセットを2つ提示する。
  論文  参考訳（メタデータ） (2022-05-12T17:03:57Z)

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。