論文の概要: Real-IAD Variety: Pushing Industrial Anomaly Detection Dataset to a Modern Era

• arxiv url: http://arxiv.org/abs/2511.00540v1
• Date: Sat, 01 Nov 2025 12:58:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:26.83354
• Title: Real-IAD Variety: Pushing Industrial Anomaly Detection Dataset to a Modern Era
• Title（参考訳）: リアルIADの多様性: 産業異常検出データセットを現代に進める
• Authors: Wenbing Zhu, Chengjie Wang, Bin-Bin Gao, Jiangning Zhang, Guannan Jiang, Jie Hu, Zhenye Gan, Lidong Wang, Ziqing Zhou, Linjie Cheng, Yurui Pan, Bo Peng, Mingmin Chi, Lizhuang Ma,
• Abstract要約: Real-IAD Varietyは、160の異なる対象カテゴリにわたる198,960の高解像度画像からなる、最大かつ最も多様なIADベンチマークである。 その多様性は、28の産業、24の素材タイプ、22のカラーバリエーションを包括的にカバーすることで保証されている。 この重要な分野のイノベーションを促進するために、Real-IAD Varietyが公開される。
• 参考スコア（独自算出の注目度）: 110.83702639978469
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Industrial Anomaly Detection (IAD) is critical for enhancing operational safety, ensuring product quality, and optimizing manufacturing efficiency across global industries. However, the IAD algorithms are severely constrained by the limitations of existing public benchmarks. Current datasets exhibit restricted category diversity and insufficient scale, frequently resulting in metric saturation and limited model transferability to real-world scenarios. To address this gap, we introduce Real-IAD Variety, the largest and most diverse IAD benchmark, comprising 198,960 high-resolution images across 160 distinct object categories. Its diversity is ensured through comprehensive coverage of 28 industries, 24 material types, and 22 color variations. Our comprehensive experimental analysis validates the benchmark's substantial challenge: state-of-the-art multi-class unsupervised anomaly detection methods experience significant performance degradation when scaled from 30 to 160 categories. Crucially, we demonstrate that vision-language models exhibit remarkable robustness to category scale-up, with minimal performance variation across different category counts, significantly enhancing generalization capabilities in diverse industrial contexts. The unprecedented scale and complexity of Real-IAD Variety position it as an essential resource for training and evaluating next-generation foundation models for anomaly detection. By providing this comprehensive benchmark with rigorous evaluation protocols across multi-class unsupervised, multi-view, and zero-/few-shot settings, we aim to accelerate research beyond domain-specific constraints, enabling the development of scalable, general-purpose anomaly detection systems. Real-IAD Variety will be made publicly available to facilitate innovation in this critical field.
• Abstract（参考訳）: 産業異常検出(IAD)は, 運転安全性の向上, 製品品質の確保, グローバル産業における製造効率の最適化に重要である。 しかし、IADアルゴリズムは既存の公開ベンチマークの制限によって厳しく制約されている。 現在のデータセットは、制限されたカテゴリの多様性と不十分なスケールを示し、しばしばメートル法飽和と実際のシナリオへの限定されたモデル転送可能性をもたらす。 このギャップに対処するために、160の異なる対象カテゴリにわたる198,960の高解像度画像からなる、最大かつ最も多様なIADベンチマークであるReal-IAD Varietyを導入する。 多様性は、28の産業、24の素材タイプ、22のカラーバリエーションを包括的にカバーすることで保証されている。 我々の総合的な実験分析は、このベンチマークの重大な課題を検証している: 最先端のマルチクラス非教師付き異常検出手法は、30から160のカテゴリにスケールした場合に顕著な性能劣化を経験する。 重要なことは、視覚言語モデルがカテゴリーのスケールアップに対して顕著な堅牢性を示し、異なるカテゴリ数にまたがるパフォーマンスの変動を最小限に抑え、多様な産業的文脈における一般化能力を著しく向上させることである。 Real-IAD Varietyのかつてない規模と複雑さにより、これは異常検出のための次世代基盤モデルを訓練し評価するための必須資源として位置づけられている。 マルチクラス,マルチビュー,ゼロ/フェーショット設定の厳密な評価プロトコルを備えたこの総合ベンチマークを提供することで,ドメイン固有の制約を超えて研究を加速し,スケーラブルで汎用的な異常検出システムの開発を目指している。 この重要な分野のイノベーションを促進するために、Real-IAD Varietyが公開される。

関連論文リスト

• SVC 2025: the First Multimodal Deception Detection Challenge [16.070848946361696]
  SVC 2025 Multimodal Deception Detection Challengeは、音声・視覚的偽装検出におけるクロスドメインの一般化を評価するために設計された新しいベンチマークである。 我々は,より適応し,説明し,実践的に展開可能な偽造検知システムの開発を促進することを目的としている。
  論文  参考訳（メタデータ） (2025-08-06T06:56:39Z)
• Unsupervised Anomaly Detection in Multivariate Time Series across Heterogeneous Domains [0.8427519082414066]
  教師なし異常検出手法をベンチマークするための統一フレームワークを提案する。 そして、実践的なAIOpsシナリオで起こりうる通常の振る舞いのシフトの問題を強調します。 ドメインシフトによる異常検出に対処するために,新しいアプローチであるDomain-Invariant VAEを提案する。
  論文  参考訳（メタデータ） (2025-03-29T12:38:28Z)
• EIAD: Explainable Industrial Anomaly Detection Via Multi-Modal Large Language Models [23.898938659720503]
  工業異常検出(IAD)は製造中の製品品質を確保するために重要である。 本稿では,コア特徴抽出からダイアログ機能を分離する専用マルチモーダル欠陥ローカライゼーションモジュールを提案する。 私たちはまた、Defect Detection Question Answering (DDQA) という、最初のマルチモーダル産業異常検出トレーニングデータセットにも貢献する。
  論文  参考訳（メタデータ） (2025-03-18T11:33:29Z)
• A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [89.92916473403108]
  本稿では,新しい手法のモジュラーフレームワークであるADerの総合的な視覚異常検出ベンチマークを提案する。 このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。 我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
  論文  参考訳（メタデータ） (2024-06-05T13:40:07Z)
• Learning Feature Inversion for Multi-class Anomaly Detection under General-purpose COCO-AD Benchmark [101.23684938489413]
  異常検出(AD)は、しばしば産業品質検査や医学的病変検査のための異常の検出に焦点が当てられている。 この研究はまず、COCOをADフィールドに拡張することにより、大規模で汎用的なCOCO-ADデータセットを構築する。 セグメンテーション分野のメトリクスにインスパイアされた我々は、より実用的なしきい値に依存したAD固有のメトリクスをいくつか提案する。
  論文  参考訳（メタデータ） (2024-04-16T17:38:26Z)
• Real-IAD: A Real-World Multi-View Dataset for Benchmarking Versatile Industrial Anomaly Detection [46.495442380849894]
  大規模・実世界・多視点産業異常検出データセットであるReal-IADを提案する。 30の異なるオブジェクトの150Kの高解像度画像が含まれており、これは既存のデータセットよりも桁違いに大きい。 このデータセットを実際のアプリケーションシナリオに近づけるために,多視点撮影法とサンプルレベルの評価指標を提案する。
  論文  参考訳（メタデータ） (2024-03-19T09:44:41Z)

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。