論文の概要: Noise & pattern: identity-anchored Tikhonov regularization for robust structural anomaly detection

• arxiv url: http://arxiv.org/abs/2511.07233v1
• Date: Mon, 10 Nov 2025 15:48:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:45.342296
• Title: Noise & pattern: identity-anchored Tikhonov regularization for robust structural anomaly detection
• Title（参考訳）: ノイズとパターン: 頑健な構造異常検出のためのアイデンティティアンコールTikhonov正規化
• Authors: Alexander Bauer, Klaus-Robert Müller,
• Abstract要約: 異常検出は自動産業検査において重要な役割を担い、他の均一な視覚パターンの微妙な欠陥や稀な欠陥を識別することを目的としている。 自己教師型オートエンコーダを用いて, 破損した入力の修復を学習する構造的異常検出に取り組む。 構造欠陥を模倣した画像に人工的破壊を注入する汚職モデルを導入する。
• 参考スコア（独自算出の注目度）: 58.535473924035365
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Anomaly detection plays a pivotal role in automated industrial inspection, aiming to identify subtle or rare defects in otherwise uniform visual patterns. As collecting representative examples of all possible anomalies is infeasible, we tackle structural anomaly detection using a self-supervised autoencoder that learns to repair corrupted inputs. To this end, we introduce a corruption model that injects artificial disruptions into training images to mimic structural defects. While reminiscent of denoising autoencoders, our approach differs in two key aspects. First, instead of unstructured i.i.d.\ noise, we apply structured, spatially coherent perturbations that make the task a hybrid of segmentation and inpainting. Second, and counterintuitively, we add and preserve Gaussian noise on top of the occlusions, which acts as a Tikhonov regularizer anchoring the Jacobian of the reconstruction function toward identity. This identity-anchored regularization stabilizes reconstruction and further improves both detection and segmentation accuracy. On the MVTec AD benchmark, our method achieves state-of-the-art results (I/P-AUROC: 99.9/99.4), supporting our theoretical framework and demonstrating its practical relevance for automatic inspection.
• Abstract（参考訳）: 異常検出は自動産業検査において重要な役割を担い、他の均一な視覚パターンの微妙な欠陥や稀な欠陥を識別することを目的としている。 可能な全ての異常の代表的な例の収集は不可能であるため、破損した入力の修復を学習する自己教師付きオートエンコーダを用いて構造的異常検出に取り組む。 そこで本研究では, 構造欠陥を模倣するために, 人工的破壊を訓練画像に注入する汚職モデルを提案する。 オートエンコーダの復号化を思い起こさせる一方で、我々のアプローチは2つの重要な側面で異なる。 まず、非構造的i.d.\ノイズの代わりに、構造的かつ空間的に整合的な摂動を適用し、タスクをセグメンテーションとインペイントのハイブリッドにする。 第二に、直感的に、オクルージョンの上にガウスノイズを加え、保存する。これは、再構成関数のヤコビアンを同一性に向けて固定するチコノフ正則化器として機能する。 このアイデンティティアンコレギュラー化は再構築を安定化させ、検出精度とセグメンテーション精度をさらに向上させる。 MVTec ADのベンチマークでは,提案手法は最先端の結果(I/P-AUROC: 99.9/99.4)を得られた。

関連論文リスト

• Attention-Guided Perturbation for Unsupervised Image Anomaly Detection [4.084209435209347]
  本稿では,注意誘導摂動ネットワーク(AGPNet)という再構成フレームワークを提案する。 AGPNetは、トレーニング中に注意マスクで案内された摂動を追加することを学ぶ。 MVTec-AD、VisA、MVTec-3Dをカバーするいくつかの人気のあるベンチマークで実験が行われた。
  論文  参考訳（メタデータ） (2024-08-14T12:12:43Z)
• GeneralAD: Anomaly Detection Across Domains by Attending to Distorted Features [68.14842693208465]
  GeneralADは、意味的、ほぼ分布的、産業的設定で動作するように設計された異常検出フレームワークである。 本稿では,ノイズ付加やシャッフルなどの簡単な操作を施した自己教師付き異常生成モジュールを提案する。 提案手法を10のデータセットに対して広範囲に評価し,6つの実験結果と,残りの6つの実験結果を得た。
  論文  参考訳（メタデータ） (2024-07-17T09:27:41Z)
• Generating and Reweighting Dense Contrastive Patterns for Unsupervised Anomaly Detection [59.34318192698142]
  我々は、先行のない異常発生パラダイムを導入し、GRADと呼ばれる革新的な教師なし異常検出フレームワークを開発した。 PatchDiffは、様々な種類の異常パターンを効果的に公開する。 MVTec ADとMVTec LOCOデータセットの両方の実験も、前述の観測をサポートする。
  論文  参考訳（メタデータ） (2023-12-26T07:08:06Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Improved anomaly detection by training an autoencoder with skip connections on images corrupted with Stain-shaped noise [25.85927871251385]
  異常検出は 復元の残留か もしくは 復元の不確実性に依存する 我々は,再設計のシャープさを改善するために,スキップ接続を備えたオートエンコーダアーキテクチャを検討する。 このモデルでは、実際の欠陥の有無にかかわらず、任意の実世界の画像からクリーンなイメージを復元することが好ましいことを示す。
  論文  参考訳（メタデータ） (2020-08-29T13:50:49Z)
• Anomalous sound detection based on interpolation deep neural network [9.309962824653033]
  本稿では,モデルがスペクトルの複数のフレームを利用する異常検出手法を提案する。 提案手法は標準的なAUCスコアに基づいて27%の改善が得られた。
  論文  参考訳（メタデータ） (2020-05-19T06:12:41Z)

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。