Fugu-MT 論文翻訳(概要): On the Problem of Consistent Anomalies in Zero-Shot Industrial Anomaly Detection

論文の概要: On the Problem of Consistent Anomalies in Zero-Shot Industrial Anomaly Detection

arxiv url: http://arxiv.org/abs/2510.10456v1
Date: Sun, 12 Oct 2025 05:28:28 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-14 18:06:29.947991
Title: On the Problem of Consistent Anomalies in Zero-Shot Industrial Anomaly Detection
Title（参考訳）: ゼロショット産業異常検出における一貫性異常問題について
Authors: Tai Le-Gia, Ahn Jaehyun,
Abstract要約: 類似性計算から一貫した異常を識別・フィルタリングする新しいアルゴリズムであるConsistent-Anomaly Detection Graph (CoDeGraph)を導入する。 CoDeGraphはイメージレベルのグラフを構築し、イメージをノードとして、エッジを共通の一貫したアノマリーパターンで接続する。 ViT-L-14-336バックボーンを用いたMVTec ADの実験では、AUROCが98.3%、ASが66.8%であった。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Zero-shot image anomaly classification (AC) and segmentation (AS) are vital for industrial quality control, detecting defects without prior training data. Existing representation-based methods compare patch features with nearest neighbors in unlabeled test images but struggle with consistent anomalies -- similar defects recurring across multiple images -- resulting in poor AC/AS performance. We introduce Consistent-Anomaly Detection Graph (CoDeGraph), a novel algorithm that identifies and filters consistent anomalies from similarity computations. Our key insight is that normal patches in industrial images show stable, gradually increasing similarity to other test images, while consistent-anomaly patches exhibit abrupt similarity spikes after exhausting a limited set of similar matches, a phenomenon we term ``neighbor-burnout.'' CoDeGraph constructs an image-level graph, with images as nodes and edges connecting those with shared consistent-anomaly patterns, using community detection to filter these anomalies. We provide a theoretical foundation using Extreme Value Theory to explain the effectiveness of our approach. Experiments on MVTec AD with the ViT-L-14-336 backbone achieve 98.3% AUROC for AC and AS performance of 66.8% (+4.2%) F1 and 68.1% (+5.4%) AP over state-of-the-art zero-shot methods. Using the DINOv2 backbone further improves segmentation, yielding 69.1% (+6.5%) F1 and 71.9% (+9.2%) AP, demonstrating robustness across architectures.
Abstract（参考訳）: ゼロショット画像異常分類(AC)とセグメンテーション(AS)は産業品質管理に不可欠であり、事前のトレーニングデータなしで欠陥を検出する。既存の表現ベースのメソッドは、未ラベルのテストイメージで最も近い隣人のパッチ機能と比較するが、一貫性のある異常(複数のイメージにまたがる同様の欠陥)に悩まされるため、AC/ASパフォーマンスは低下する。類似性計算から一貫した異常を識別・フィルタリングする新しいアルゴリズムであるConsistent-Anomaly Detection Graph (CoDeGraph)を導入する。我々の重要な洞察は、産業画像の正常なパッチは他のテスト画像と安定して、徐々に類似度が増し、一貫性のあるパッチは、類似したマッチの限られたセットを消費した後、突然類似度が急上昇することです。 CoDeGraphはイメージレベルのグラフを構築し、画像はノードとして、エッジは共有された一貫したアノマリーパターンと接続し、コミュニティ検出を使用してこれらの異常をフィルタリングする。提案手法の有効性を説明するために,エクストリームバリュー理論を用いた理論的基礎を提供する。 MVTec AD と ViT-L-14-336 のバックボーンによる実験では、AC と AS のパフォーマンスは 98.3% AUROC が 66.8% (+4.2%) F1 と 68.1% (+5.4%) AP が最先端のゼロショット法で達成された。 DINOv2のバックボーンはさらにセグメンテーションを改善し、69.1% (+6.5%) F1と71.9% (+9.2%) APとなり、アーキテクチャ間の堅牢性を示している。

関連論文リスト

SoftPatch+: Fully Unsupervised Anomaly Classification and Segmentation [84.07909405887696]
本論文は、完全教師なし産業異常検出(すなわち、ノイズデータ付き教師なしAD)を初めて検討したものである。メモリベースの非教師なしAD手法であるSoftPatchとSoftPatch+を提案する。既存の手法と比較して、SoftPatchは通常のデータの強力なモデリング能力を維持し、コアセットにおける過信問題を軽減する。様々なノイズシナリオで実施された総合的な実験により、SoftPatchとSoftPatch+はMVTecAD、ViSA、BTADのベンチマークで最先端のADメソッドよりも優れていた。
論文参考訳（メタデータ） (2024-12-30T11:16:49Z)
Adaptive Hierarchical Graph Cut for Multi-granularity Out-of-distribution Detection [10.200872243175183]
本稿では,配布外検知(OOD検出)という重要な課題に焦点をあてる。これまでの作業はまともな成功を収めましたが、現実の挑戦的なアプリケーションには効果がありません。本稿では,異なる画像間の意味的関係を探索するために,適応階層型グラフカットネットワーク(AHGC)を提案する。
論文参考訳（メタデータ） (2024-12-20T08:32:02Z)
Few-Shot Anomaly Detection via Category-Agnostic Registration Learning [65.64252994254268]
既存のほとんどの異常検出方法は、各カテゴリに専用のモデルを必要とする。この記事では、新しい数ショットAD(FSAD)フレームワークを提案する。これは新しいカテゴリーのモデル微調整を必要としない最初のFSAD法である。
論文参考訳（メタデータ） (2024-06-13T05:01:13Z)
MuSc: Zero-Shot Industrial Anomaly Classification and Segmentation with Mutual Scoring of the Unlabeled Images [12.48347948647802]
産業ビジョンにおけるゼロショット異常分類(AC)とセグメンテーション(AS)について検討した。我々は、識別特性を利用して、ラベルなし画像のMutual Scoring (MuSc) による新しいゼロショットAC/AS法を設計する。本稿では,画像レベルの異常分類のためのRe-scoring with Constrained Image-level Neighborhood (RsCIN)という最適化手法を提案する。
論文参考訳（メタデータ） (2024-01-30T05:16:52Z)
Adaptive Feature Selection for No-Reference Image Quality Assessment by Mitigating Semantic Noise Sensitivity [55.399230250413986]
上流タスクから有害なセマンティックノイズを除去するためのQFM-IQM(Quality-Aware Feature Matching IQA Metric)を提案する。提案手法は,8つの標準IQAデータセット上での最先端NR-IQA法よりも優れた性能を実現する。
論文参考訳（メタデータ） (2023-12-11T06:50:27Z)
Rethinking Image Forgery Detection via Soft Contrastive Learning and Unsupervised Clustering [27.495469888054032]
画像偽造検出は、画像内の偽造領域を検出し、発見することを目的としている。既存の偽造検出アルゴリズムは、画素を偽造または偽造に分類するために分類問題を定式化している。本稿では,ソフトコントラスト学習と教師なしクラスタリングに基づく,新しい,シンプルかつ極めて効果的なパラダイムであるFOCAL法を提案する。
論文参考訳（メタデータ） (2023-08-18T05:05:30Z)
Pushing the Limits of Fewshot Anomaly Detection in Industry Vision: Graphcore [71.09522172098733]
FSADにおけるグラフ表現を利用して,新しい視覚不変特徴(VIIF)を異常測定特徴として利用する。 VIIFは異常識別能力を確実に向上し、Mに格納された冗長な特徴のサイズをさらに小さくすることができる。さらに、教師なしFSADトレーニングを高速に実装し、異常検出の性能を向上させることができる、VIIFによる新しいモデルGraphCoreを提供する。
論文参考訳（メタデータ） (2023-01-28T03:58:32Z)
Enhanced Sharp-GAN For Histopathology Image Synthesis [63.845552349914186]
病理組織像合成は、正確ながん検出のためのディープラーニングアプローチの訓練において、データ不足の問題に対処することを目的としている。核トポロジと輪郭正則化を用いて合成画像の品質を向上させる新しい手法を提案する。提案手法は、Sharp-GANを2つのデータセット上の4つの画像品質指標すべてで上回る。
論文参考訳（メタデータ） (2023-01-24T17:54:01Z)
Adaptation to CT Reconstruction Kernels by Enforcing Cross-domain Feature Maps Consistency [0.06117371161379209]
本研究は,スムーズで訓練し,鋭い再構築カーネル上で試験したモデルにおいて,新型コロナウイルスのセグメンテーション品質の低下を示すものである。本稿では,F-Consistency(F-Consistency)と呼ばれる,教師なし適応手法を提案する。
論文参考訳（メタデータ） (2022-03-28T10:00:03Z)
With a Little Help from My Friends: Nearest-Neighbor Contrastive Learning of Visual Representations [87.72779294717267]
対比損失で最も近い隣り合わせを正として使用すると、ImageNet分類でパフォーマンスが大幅に向上します。提案手法が複雑なデータ拡張に依存しないことを実証的に証明する。
論文参考訳（メタデータ） (2021-04-29T17:56:08Z)

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。