論文の概要: UniADC: A Unified Framework for Anomaly Detection and Classification

• arxiv url: http://arxiv.org/abs/2511.06644v1
• Date: Mon, 10 Nov 2025 02:42:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:45.042465
• Title: UniADC: A Unified Framework for Anomaly Detection and Classification
• Title（参考訳）: UniADC: 異常検出と分類のための統一フレームワーク
• Authors: Ximiao Zhang, Min Xu, Zheng Zhang, Junlin Hu, Xiuzhuang Zhou,
• Abstract要約: 本稿では,画像中の異常領域を同時に検出し,特定のカテゴリを特定することを目的とした,統一された異常検出・分類の課題を紹介する。 異常検出と分類の統一モデルであるUniADCを提案する。 MVTec-FS,MTD,WFDDを含む3つの異常検出および分類データセットについて広範な実験を行い,UniADCは異常検出,局所化,分類において既存の手法より一貫して優れていることを示した。
• 参考スコア（独自算出の注目度）: 18.556123041540577
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we introduce the task of unified anomaly detection and classification, which aims to simultaneously detect anomalous regions in images and identify their specific categories. Existing methods typically treat anomaly detection and classification as separate tasks, thereby neglecting their inherent correlation, limiting information sharing, and resulting in suboptimal performance. To address this, we propose UniADC, a unified anomaly detection and classification model that can effectively perform both tasks with only a few or even no anomaly images. Specifically, UniADC consists of two key components: a training-free controllable inpainting network and a multi-task discriminator. The inpainting network can synthesize anomaly images of specific categories by repainting normal regions guided by anomaly priors, and can also repaint few-shot anomaly samples to augment the available anomaly data. The multi-task discriminator is then trained on these synthesized samples, enabling precise anomaly detection and classification by aligning fine-grained image features with anomaly-category embeddings. We conduct extensive experiments on three anomaly detection and classification datasets, including MVTec-FS, MTD, and WFDD, and the results demonstrate that UniADC consistently outperforms existing methods in anomaly detection, localization, and classification. The code is available at https://github.com/cnulab/UniADC.
• Abstract（参考訳）: 本稿では,画像中の異常領域を同時に検出し,特定のカテゴリを特定することを目的とした,統一された異常検出・分類の課題を紹介する。 既存の手法は通常、異常検出と分類を個別のタスクとして扱い、それによってそれらの固有の相関を無視し、情報の共有を制限し、結果として準最適性能をもたらす。 この問題に対処するために,UniADCを提案する。これは,異常な画像の少ない,あるいは全くない,両方のタスクを効果的に実行可能な,統一された異常検出・分類モデルである。 具体的には、UniADCはトレーニング不要な制御可能な塗装ネットワークとマルチタスク識別器の2つのキーコンポーネントから構成される。 本発明の塗布ネットワークは、異常先行によって誘導される正常領域を塗り替えることにより、特定のカテゴリの異常画像を合成することができ、また、数発の異常サンプルを塗り替えて、利用可能な異常データを増大させることができる。 マルチタスク判別器は、これらの合成サンプルに基づいて訓練され、微細な画像特徴と異常カテゴリーの埋め込みを整列させることにより、正確な異常検出と分類を可能にする。 MVTec-FS,MTD,WFDDを含む3つの異常検出・分類データセットについて広範な実験を行い,UniADCは異常検出・局所化・分類において既存の手法を一貫して上回っていることを示した。 コードはhttps://github.com/cnulab/UniADCで入手できる。

関連論文リスト

• 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)
• Few-Shot Anomaly-Driven Generation for Anomaly Classification and Segmentation [38.76264181764036]
  異常検出は, 産業検査における異常サンプルの不足により, 実用的かつ困難な課題である。 本稿では,現実的かつ多様な異常を生成するために拡散モデルを誘導するAnoGen法を提案する。 本手法は,DRAEMとDesTSegを基礎モデルとして構築し,一般的な産業用異常検出データセットであるMVTecの実験を行う。
  論文  参考訳（メタデータ） (2025-05-14T10:25:06Z)
• Fine-grained Abnormality Prompt Learning for Zero-shot Anomaly Detection [109.72772150095646]
  FAPromptは、精密なZSADのためのきめ細かい異常プロンプトを学習するために設計された新しいフレームワークである。 産業的欠陥と医療的異常の両方をカバーする19の実世界のデータセットの実験は、FAPromptが画像レベルのZSADタスクとピクセルレベルのZSADタスクの両方で最先端の手法を大幅に上回っていることを実証している。
  論文  参考訳（メタデータ） (2024-10-14T08:41:31Z)
• ARC: A Generalist Graph Anomaly Detector with In-Context Learning [62.202323209244]
  ARCは汎用的なGADアプローチであり、一対一のGADモデルで様々なグラフデータセットの異常を検出することができる。 ARCはコンテキスト内学習を備えており、ターゲットデータセットからデータセット固有のパターンを直接抽出することができる。 各種領域からの複数のベンチマークデータセットに対する大規模な実験は、ARCの優れた異常検出性能、効率、一般化性を示す。
  論文  参考訳（メタデータ） (2024-05-27T02:42:33Z)
• FiLo: Zero-Shot Anomaly Detection by Fine-Grained Description and High-Quality Localization [31.854923603517264]
  本稿では,新しいゼロショット異常検出法であるFiLoを提案する。 FiLoは、適応学習されたFG-Des(FG-Des)と位置強調された高品質なローカライゼーション(HQ-Loc)の2つのコンポーネントから構成される。 MVTecやVisAのようなデータセットの実験結果から、FiLoは検出とローカライゼーションの両方においてZSADの性能を大幅に向上することが示された。
  論文  参考訳（メタデータ） (2024-04-21T14:22:04Z)
• Toward Generalist Anomaly Detection via In-context Residual Learning with Few-shot Sample Prompts [25.629973843455495]
  Generalist Anomaly Detection (GAD)は、ターゲットデータにさらなるトレーニングを加えることなく、さまざまなアプリケーションドメインからさまざまなデータセットの異常を検出するために一般化可能な、単一の検出モデルをトレーニングすることを目的としている。 InCTRLと呼ばれるGADのための文脈内残差学習モデルを学習する新しい手法を提案する。 InCTRLは最高のパフォーマーであり、最先端の競合手法を著しく上回っている。
  論文  参考訳（メタデータ） (2024-03-11T08:07:46Z)
• Open-Vocabulary Video Anomaly Detection [57.552523669351636]
  監視の弱いビデオ異常検出(VAD)は、ビデオフレームが正常であるか異常であるかを識別するためにビデオレベルラベルを利用する際、顕著な性能を達成した。 近年の研究は、より現実的な、オープンセットのVADに取り組み、異常や正常なビデオから見えない異常を検出することを目的としている。 本稿ではさらに一歩前進し、未確認および未確認の異常を検知・分類するために訓練済みの大規模モデルを活用することを目的とした、オープン語彙ビデオ異常検出(OVVAD)について検討する。
  論文  参考訳（メタデータ） (2023-11-13T02:54:17Z)
• Unsupervised Anomaly Detection and Localisation with Multi-scale Interpolated Gaussian Descriptors [31.02818044068126]
  2つの問題に対処するために,教師なしの異常検出と局所化手法を提案する。 本稿では,正規画像の低表示クラスに対して頑健な正規画像分布推定手法を提案する。 また,マルチスケール構造および非構造的異常を正確に検出・局在化可能な新しい異常識別基準を提案する。
  論文  参考訳（メタデータ） (2021-01-25T12:38:51Z)

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。