論文の概要: DeltaDeno: Zero-Shot Anomaly Generation via Delta-Denoising Attribution

• arxiv url: http://arxiv.org/abs/2511.16920v1
• Date: Fri, 21 Nov 2025 03:14:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-24 18:08:18.871336
• Title: DeltaDeno: Zero-Shot Anomaly Generation via Delta-Denoising Attribution
• Title（参考訳）: DeltaDeno: Delta-Denoising属性によるゼロショット異常発生
• Authors: Chaoran Xu, Chengkan Lv, Qiyu Chen, Yunkang Cao, Feng Zhang, Zhengtao Zhang,
• Abstract要約: 異常発生は、しばしば、異常サンプルを用いた数発の微調整としてフレーム化される。 デルタデノジング(Delta-Denoising)は、欠陥をローカライズし、編集する訓練不要なゼロショット異常生成法である。 パブリックデータセットの実験では、DeltaDenoは下流検出のパフォーマンスにおいて、優れた世代、リアリズム、一貫性のあるゲインを達成している。
• 参考スコア（独自算出の注目度）: 19.00146589388767
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Anomaly generation is often framed as few-shot fine-tuning with anomalous samples, which contradicts the scarcity that motivates generation and tends to overfit category priors. We tackle the setting where no real anomaly samples or training are available. We propose Delta-Denoising (DeltaDeno), a training-free zero-shot anomaly generation method that localizes and edits defects by contrasting two diffusion branches driven by a minimal prompt pair under a shared schedule. By accumulating per-step denoising deltas into an image-specific localization map, we obtain a mask to guide the latent inpainting during later diffusion steps and preserve the surrounding context while generating realistic local defects. To improve stability and control, DeltaDeno performs token-level prompt refinement that aligns shared content and strengthens anomaly tokens, and applies a spatial attention bias restricted to anomaly tokens in the predicted region. Experiments on public datasets show that DeltaDeno achieves great generation, realism and consistent gains in downstream detection performance. Code will be made publicly available.
• Abstract（参考訳）: 異常発生は、しばしば、異常なサンプルによる少数ショットの微調整としてフレーム化されるが、これは、生成を動機付け、カテゴリー先行を過度に適合させる傾向にある、不足と矛盾する。 実際の異常サンプルやトレーニングが利用できないような設定に取り組みます。 デルタデノジング(Delta Denoising, デルタデノジング)は、最小のプロンプトペアによって駆動される2つの拡散枝を共通スケジュールで比較することにより、欠陥を局所化し、編集する訓練不要なゼロショット異常生成法である。 画像特異的な局所化マップに差分差分を付加することにより、後続の拡散過程における潜伏塗布をガイドし、現実的な局所的欠陥を発生させながら周囲の状況を保存するマスクを得る。 安定性と制御を改善するため、DeltaDenoは、共有コンテンツを整列し、異常トークンを強化するトークンレベルのプロンプト改善を行い、予測領域の異常トークンに制限された空間的注意バイアスを適用する。 パブリックデータセットの実験では、DeltaDenoは下流検出のパフォーマンスにおいて、優れた世代、リアリズム、一貫性のあるゲインを達成している。 コードは公開されます。

関連論文リスト

• Continuously Augmented Discrete Diffusion model for Categorical Generative Modeling [87.34677262370924]
  標準離散拡散モデルは、吸収[MASK]トークンにそれらをマッピングすることで、すべての観測されていない状態を同一に扱う。 これは'インフォメーション・ヴォイド'を生成します。そこでは、偽のトークンから推測できるセマンティック情報は、デノイングステップの間に失われます。 連続的拡張離散拡散(Continuously Augmented Discrete Diffusion)は、連続的な潜在空間における対拡散で離散状態空間を拡大するフレームワークである。
  論文  参考訳（メタデータ） (2025-10-01T18:00:56Z)
• Blind-Spot Guided Diffusion for Self-supervised Real-World Denoising [55.099717395320276]
  Blind-Spot Guided Diffusionは、現実のイメージをデノナイズするための新しい自己教師型フレームワークである。 提案手法は,盲点ネットワーク(BSN)の限界と,自己教師型認知への拡散モデルの適用の難しさの2つに対処する。
  論文  参考訳（メタデータ） (2025-09-19T15:35:07Z)
• FICGen: Frequency-Inspired Contextual Disentanglement for Layout-driven Degraded Image Generation [16.628211648386454]
  FICGenは劣化した画像の周波数知識を潜伏拡散空間に移そうとしている。 FICGenは、生成的忠実度、アライメント、下流補助訓練性の観点から、既存のL2Iメソッドを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-09-01T04:00:22Z)
• 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)
• ConsistencyDet: A Few-step Denoising Framework for Object Detection Using the Consistency Model [22.34776007498307]
  本稿では,物体検出を認知拡散過程として記述するための新しいフレームワークを提案する。 textbfConsistencyDetと呼ばれるこのフレームワークは、Consistency Modelとして知られる革新的な概念を活用している。
  論文  参考訳（メタデータ） (2024-04-11T14:08:45Z)
• Gradpaint: Gradient-Guided Inpainting with Diffusion Models [71.47496445507862]
  Denoising Diffusion Probabilistic Models (DDPM) は近年,条件付きおよび非条件付き画像生成において顕著な成果を上げている。 我々はGradPaintを紹介し、グローバルな一貫性のあるイメージに向けて世代を操る。 我々は、様々なデータセットで訓練された拡散モデルによく適応し、現在最先端の教師付きおよび教師なしの手法を改善している。
  論文  参考訳（メタデータ） (2023-09-18T09:36:24Z)
• DiffusionAD: Norm-guided One-step Denoising Diffusion for Anomaly Detection [80.20339155618612]
  DiffusionADは、再構成サブネットワークとセグメンテーションサブネットワークからなる、新しい異常検出パイプラインである。 高速なワンステップデノゲーションパラダイムは、同等の再現品質を維持しながら、数百倍の加速を達成する。 異常の出現の多様性を考慮し、複数のノイズスケールの利点を統合するためのノルム誘導パラダイムを提案する。
  論文  参考訳（メタデータ） (2023-03-15T16:14:06Z)

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。