論文の概要: MIRAD - A comprehensive real-world robust anomaly detection dataset for Mass Individualization

• arxiv url: http://arxiv.org/abs/2510.16370v1
• Date: Sat, 18 Oct 2025 06:39:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:38.967349
• Title: MIRAD - A comprehensive real-world robust anomaly detection dataset for Mass Individualization
• Title（参考訳）: MIRAD - マスパーソナライゼーションのための総合的実世界のロバストな異常検出データセット
• Authors: Pulin Li, Guocheng Wu, Li Yin, Yuxin Zheng, Wei Zhang, Yanjie Zhou,
• Abstract要約: 社会製造業は、現代の産業における大量個別化を実現するために、コミュニティの協力と散在する資源を利用している。 しかし、このパラダイムシフトは品質管理、特に欠陥検出に重大な課題をもたらす。 実世界のデータセットと調整アルゴリズムの不足を克服するために、マスパーソナライゼーションロバスト異常検出データセットを導入する。
• 参考スコア（独自算出の注目度）: 15.63794887709568
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Social manufacturing leverages community collaboration and scattered resources to realize mass individualization in modern industry. However, this paradigm shift also introduces substantial challenges in quality control, particularly in defect detection. The main difficulties stem from three aspects. First, products often have highly customized configurations. Second, production typically involves fragmented, small-batch orders. Third, imaging environments vary considerably across distributed sites. To overcome the scarcity of real-world datasets and tailored algorithms, we introduce the Mass Individualization Robust Anomaly Detection (MIRAD) dataset. As the first benchmark explicitly designed for anomaly detection in social manufacturing, MIRAD captures three critical dimensions of this domain: (1) diverse individualized products with large intra-class variation, (2) data collected from six geographically dispersed manufacturing nodes, and (3) substantial imaging heterogeneity, including variations in lighting, background, and motion conditions. We then conduct extensive evaluations of state-of-the-art (SOTA) anomaly detection methods on MIRAD, covering one-class, multi-class, and zero-shot approaches. Results show a significant performance drop across all models compared with conventional benchmarks, highlighting the unresolved complexities of defect detection in real-world individualized production. By bridging industrial requirements and academic research, MIRAD provides a realistic foundation for developing robust quality control solutions essential for Industry 5.0. The dataset is publicly available at https://github.com/wu33learn/MIRAD.
• Abstract（参考訳）: 社会製造業は、コミュニティの協力と散在する資源を活用して、現代産業における大量個別化を実現している。 しかし、このパラダイムシフトは品質管理、特に欠陥検出に重大な課題をもたらす。 主な困難は3つの側面から生じている。 第一に、製品は高度にカスタマイズされた構成を持つことが多い。 第二に、プロダクションは通常、断片化された小さなバッチの注文を伴います。 第三に、撮像環境は分散した場所によって大きく異なる。 実世界のデータセットと調整アルゴリズムの不足を克服するため,MIRAD(Mass individualization Robust Anomaly Detection)データセットを紹介した。 社会的製造における異常検出のために設計された最初のベンチマークとして、MIRADはこの領域の3つの重要な次元を捉えている。(1)大きなクラス内変動を持つ多様な個別化製品、(2)地理的に分散した6つの製造ノードから収集されたデータ、(3)照明、背景、運動条件の変動を含む相当な画像の不均一性である。 そこで我々は,MIRADにおける最先端(SOTA)異常検出手法の広範な評価を行い,一クラス,多クラス,ゼロショットのアプローチについて検討した。 その結果、従来のベンチマークと比較すると、実世界の個別生産において、欠陥検出の未解決の複雑さが強調されている。 産業要件と学術研究をブリッジすることで、MIRADは産業5.0に不可欠な堅牢な品質管理ソリューションを開発するための現実的な基盤を提供する。 データセットはhttps://github.com/wu33learn/MIRAD.comで公開されている。

関連論文リスト

• ShortcutBreaker: Low-Rank Noisy Bottleneck with Global Perturbation Attention for Multi-Class Unsupervised Anomaly Detection [59.89803740308262]
  ShortcutBreakerはMUADタスクのための新しい統合された機能再構成フレームワークである。 ショートカットの問題に対処する2つの重要なイノベーションが特徴だ。 提案手法は,4つのデータセットに対して,99.8%,98.9%,90.6%,87.8%の顕著な画像レベルのAUROCを実現する。
  論文  参考訳（メタデータ） (2025-10-21T06:51:30Z)
• 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)
• SuperAD: A Training-free Anomaly Classification and Segmentation Method for CVPR 2025 VAND 3.0 Workshop Challenge Track 1: Adapt & Detect [17.160007050126403]
  SuperADと命名されたDINOv2モデルを用いて特徴抽出に基づく完全トレーニング不要な異常検出とセグメンテーション手法を提案する。 本手法は,MVTec AD 2データセットの両テストセットの競合性を実現する。
  論文  参考訳（メタデータ） (2025-05-26T09:29:27Z)
• Real-IAD D3: A Real-World 2D/Pseudo-3D/3D Dataset for Industrial Anomaly Detection [53.2590751089607]
  Real-IAD D3は高精度なマルチモーダルデータセットであり、フォトメトリックステレオによって生成された擬似3Dモダリティが組み込まれている。 本稿では,RGB,点雲,擬似3次元深度情報を統合し,各モードの相補的強度を活用する効果的な手法を提案する。 本実験は,検出の堅牢性向上とIAD全体の性能向上におけるこれらのモダリティの重要性を強調した。
  論文  参考訳（メタデータ） (2025-04-19T08:05:47Z)
• 3CAD: A Large-Scale Real-World 3C Product Dataset for Unsupervised Anomaly [22.150521360544744]
  3CADと呼ばれる大規模異常検出データセットを提案する。 3CADには8種類の製造部品があり、合計27,039個の高解像度画像にピクセルレベルの異常をラベル付けしている。 これは、3C製品の品質管理に特化した、最大かつ最初の異常検出データセットである。
  論文  参考訳（メタデータ） (2025-02-09T03:37:54Z)
• RADAR: Robust Two-stage Modality-incomplete Industrial Anomaly Detection [61.71770293720491]
  本稿では,2段階のロバスト・モードアリティ不完全融合とFlaAmewoRkの検出について提案する。 我々のブートストラッピング哲学は、MIIADの2段階を強化し、マルチモーダルトランスの堅牢性を向上させることである。 実験の結果,提案手法は従来のMIAD法よりも有効性とロバスト性に優れていた。
  論文  参考訳（メタデータ） (2024-10-02T16:47:55Z)
• Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
  具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。 本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
  論文  参考訳（メタデータ） (2024-01-06T07:30:41Z)

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。