論文の概要: AnoRefiner: Anomaly-Aware Group-Wise Refinement for Zero-Shot Industrial Anomaly Detection

• arxiv url: http://arxiv.org/abs/2511.22595v1
• Date: Thu, 27 Nov 2025 16:25:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-01 19:47:55.644387
• Title: AnoRefiner: Anomaly-Aware Group-Wise Refinement for Zero-Shot Industrial Anomaly Detection
• Title（参考訳）: AnoRefiner:ゼロショット産業用異常検出用グループワイズ留置装置
• Authors: Dayou Huang, Feng Xue, Xurui Li, Yu Zhou,
• Abstract要約: AnoRefiner (AnoRefiner) は、ほとんどのZSADモデルにプラグインすることができ、パッチレベルの異常マップをピクセルレベルに改善することができる。 まず、異常スコアマップを用いて画像特徴を段階的に拡張する、異常改善デコーダ(ARD)を設計する。 第2に、大量生産パラダイムを動機として、プログレッシブグループワイドテストタイムトレーニング(PGT)戦略を提案する。
• 参考スコア（独自算出の注目度）: 7.619373121202244
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Zero-shot industrial anomaly detection (ZSAD) methods typically yield coarse anomaly maps as vision transformers (ViTs) extract patch-level features only. To solve this, recent solutions attempt to predict finer anomalies using features from ZSAD, but they still struggle to recover fine-grained anomalies without missed detections, mainly due to the gap between randomly synthesized training anomalies and real ones. We observe that anomaly score maps exactly provide complementary spatial cues that are largely absent from ZSAD's image features, a fact overlooked before. Inspired by this, we propose an anomaly-aware refiner (AnoRefiner) that can be plugged into most ZSAD models and improve patch-level anomaly maps to the pixel level. First, we design an anomaly refinement decoder (ARD) that progressively enhances image features using anomaly score maps, reducing the reliance on synthetic anomaly data. Second, motivated by the mass production paradigm, we propose a progressive group-wise test-time training (PGT) strategy that trains ARD in each product group for the refinement process in the next group, while staying compatible with any ZSAD method. Experiments on the MVTec AD and VisA datasets show that AnoRefiner boosts various ZSAD models by up to a 5.2\% gain in pixel-AP metrics, which can also be directly observed in many visualizations. The code will be available at https://github.com/HUST-SLOW/AnoRefiner.
• Abstract（参考訳）: ゼロショット産業異常検出(ZSAD)法は一般的に、視覚変換器(ViT)がパッチレベルの特徴のみを抽出するときに粗い異常マップを生成する。 この問題を解決するために、最近の解では、ZSADの特徴を用いてより微細な異常を予測しようとするが、主にランダムに合成されたトレーニング異常と実際の異常とのギャップのために、検出を見逃さずに微細な異常を回復するのに苦慮している。 異常スコアマップは、ZSADの画像特徴にほとんど欠如している空間的手がかりを正確に提供する。 そこで本研究では,ほとんどのZSADモデルに接続し,パッチレベルの異常マップを画素レベルまで改善できるアノリファインダ (AnoRefiner) を提案する。 まず、異常スコアマップを用いて画像特徴を漸進的に強化し、合成異常データへの依存を低減させる、異常改善デコーダ(ARD)を設計する。 第2に、大量生産のパラダイムを動機として、ZSAD法と互換性を維持しつつ、各製品群におけるARDを次のグループの精錬プロセスのために訓練するプログレッシブ・グループ・ワイド・テストタイム・トレーニング(PGT)戦略を提案する。 MVTec ADとVisAデータセットの実験では、AnoRefinerはさまざまなZSADモデルを最大5.2\%向上させ、多くの視覚化で直接観察できる。 コードはhttps://github.com/HUST-SLOW/AnoRefiner.comから入手できる。

関連論文リスト

• Unified Unsupervised Anomaly Detection via Matching Cost Filtering [113.43366521994396]
  教師なし異常検出(UAD)は、通常のトレーニングデータのみを用いて画像レベルの異常と画素レベルの異常を識別することを目的としている。 UADモデルの異常コスト量を補正するための汎用的なポストホック精錬フレームワークであるUnified Cost Filtering (UCF) を提案する。
  論文  参考訳（メタデータ） (2025-10-03T03:28:18Z)
• AD-DINOv3: Enhancing DINOv3 for Zero-Shot Anomaly Detection with Anomaly-Aware Calibration [12.642531824086639]
  Zero-Shot Anomaly Detection (ZSAD)は、任意の新しいカテゴリから異常を識別する。 最近のDINOv3のようなビジョン基礎モデルは、強力な転送可能な表現能力を示している。 本稿では,ZSAD用に設計された新しい視覚言語マルチモーダルフレームワークであるAD-DINOv3を紹介する。
  論文  参考訳（メタデータ） (2025-09-17T15:29:25Z)
• 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)
• View-Invariant Pixelwise Anomaly Detection in Multi-object Scenes with Adaptive View Synthesis [0.0]
  我々は、教師なし、画素ワイドな異常位置検出のタスクとして、シーン異常検出(Scene Anomaly Detection, Scene AD)を導入し、フォーマル化する。 ToyCityは,最初のマルチオブジェクト・マルチビューリアルタイム画像データセットである。 実験の結果,OmniADは拡張ビューで使用すると,逆蒸留よりも64.33%の画素幅(F_1)のスコアが増大することがわかった。
  論文  参考訳（メタデータ） (2024-06-26T01:54:10Z)
• DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
  本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。 画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-12-11T18:38:28Z)
• Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
  本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。 さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。 提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
  論文  参考訳（メタデータ） (2023-11-27T13:14:06Z)
• Unsupervised Visual Defect Detection with Score-Based Generative Model [17.610722842950555]
  我々は、教師なしの視覚的欠陥検出とローカライゼーションタスクに焦点をあてる。 近年のスコアベース生成モデルに基づく新しいフレームワークを提案する。 提案手法を複数のデータセット上で評価し,その有効性を実証する。
  論文  参考訳（メタデータ） (2022-11-29T11:06:29Z)
• ADTR: Anomaly Detection Transformer with Feature Reconstruction [40.68590890351697]
  通常のサンプルからの事前知識のみによる異常検出が注目されている。 既存のCNNベースの画素再構成アプローチには2つの懸念がある。 本稿では,事前学習した特徴の再構成にトランスフォーマを適用するために,ADTR(Anomaly Detection TRansformer)を提案する。
  論文  参考訳（メタデータ） (2022-09-05T08:01:27Z)

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。