論文の概要: ART-ASyn: Anatomy-aware Realistic Texture-based Anomaly Synthesis Framework for Chest X-Rays

• arxiv url: http://arxiv.org/abs/2512.00310v1
• Date: Sat, 29 Nov 2025 04:06:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.16405
• Title: ART-ASyn: Anatomy-aware Realistic Texture-based Anomaly Synthesis Framework for Chest X-Rays
• Title（参考訳）: ART-ASyn:胸部X線のための解剖学的テクスチャに基づく異常合成フレームワーク
• Authors: Qinyi Cao, Jianan Fan, Weidong Cai,
• Abstract要約: 教師なしの異常検出は、ピクセルレベルのアノテーションなしで異常を識別することを目的としている。 本稿では,胸部X線に対する新しい解剖学的現実的テクスチャに基づく異常合成フレームワーク(ART-ASyn)を提案する。 ART-ASynはテクスチャベースの拡張を用いて、現実的で解剖学的に一貫性のある肺不透明性関連異常を発生させる。
• 参考スコア（独自算出の注目度）: 10.059919773758562
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unsupervised anomaly detection aims to identify anomalies without pixel-level annotations. Synthetic anomaly-based methods exhibit a unique capacity to introduce controllable irregularities with known masks, enabling explicit supervision during training. However, existing methods often produce synthetic anomalies that are visually distinct from real pathological patterns and ignore anatomical structure. This paper presents a novel Anatomy-aware Realistic Texture-based Anomaly Synthesis framework (ART-ASyn) for chest X-rays that generates realistic and anatomically consistent lung opacity related anomalies using texture-based augmentation guided by our proposed Progressive Binary Thresholding Segmentation method (PBTSeg) for lung segmentation. The generated paired samples of synthetic anomalies and their corresponding precise pixel-level anomaly mask for each normal sample enable explicit segmentation supervision. In contrast to prior work limited to one-class classification, ART-ASyn is further evaluated for zero-shot anomaly segmentation, demonstrating generalizability on an unseen dataset without target-domain annotations. Code availability is available at https://github.com/angelacao-hub/ART-ASyn.
• Abstract（参考訳）: 教師なしの異常検出は、ピクセルレベルのアノテーションなしで異常を識別することを目的としている。 合成異常に基づく手法は、既知のマスクで制御可能な不規則性を導入するユニークな能力を示し、訓練中に明確な監督を可能にする。 しかし、既存の手法はしばしば、実際の病理パターンと視覚的に異なる合成異常を生じさせ、解剖学的構造を無視する。 本稿では,胸部X線を用いた新しい解剖学的現実的テクスチュアベース異常合成フレームワーク(ART-ASyn)について,肺分画のためのプログレッシブ・バイナリ・スレッショルド・セグメンテーション法(PBTSeg)でガイドされたテクスチャベースの拡張法を用いて,リアルかつ解剖学的に整合性のある肺不透明性関連異常を生成する。 生成した合成異常のペア検体とそれに対応する正確な画素レベルの異常マスクは、各正常検体に対して明示的なセグメンテーションの監督を可能にする。 ART-ASynは1クラスの分類に限られる以前の研究とは対照的に、ゼロショットの異常セグメンテーションに対してさらに評価され、ターゲットドメインアノテーションを使わずに、目に見えないデータセット上での一般化性を示す。 コードはhttps://github.com/angelacao-hub/ART-ASynで入手できる。

関連論文リスト

• FAST: Foreground-aware Diffusion with Accelerated Sampling Trajectory for Segmentation-oriented Anomaly Synthesis [30.846094090226444]
  本稿では,Anomaly-Informed Accelerated Smpling (AIAS) とForeground-Aware Restruction Module (FARM) の2つの新しいモジュールを特徴とする,フォアグラウンド対応拡散フレームワークを提案する。 AIAS(AIAS)は、セグメンテーション指向の産業的異常合成のために特別に設計された訓練不要サンプリングアルゴリズムである。 FARMは、サンプリングステップ毎にマスクされた前景領域内の異常認識ノイズを適応的に調整し、復調軌跡全体にわたって局所的な異常信号を保存する。
  論文  参考訳（メタデータ） (2025-09-24T16:28:15Z)
• 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)
• Progressive Boundary Guided Anomaly Synthesis for Industrial Anomaly Detection [1.5680795779726031]
  教師なし異常検出法は, 通常の試料のみを応用して, 産業画像の表面欠陥を識別することができる。 本稿では, 補助的なテクスチャを伴わずに, 重要な特徴レベルの異常を指向的に合成できる新しいプログレッシブ・バウンダリ誘導型異常合成(PBAS)戦略を提案する。 本手法は,3つの産業用データセットの最先端性能と高速検出速度を実現する。
  論文  参考訳（メタデータ） (2024-12-23T10:26:26Z)
• AnomalyControl: Learning Cross-modal Semantic Features for Controllable Anomaly Synthesis [9.659449396370023]
  そこで本研究では,AnomalyControl という,モーダルな意味的特徴をガイダンス信号として学習するための,新しいアノマリ合成フレームワークを提案する。 AnomalyControlは、既存の方法と比較して、異常合成の最先端の結果を得ることができる。
  論文  参考訳（メタデータ） (2024-12-09T14:13:21Z)
• Orthogonal Subspace Decomposition for Generalizable AI-Generated Image Detection [58.87142367781417]
  航法的に訓練された検出器は、限定的で単調な偽のパターンに過度に適合する傾向にあり、特徴空間は高度に制約され、低ランクになる。 潜在的な治療法の1つは、ビジョンファウンデーションモデルに事前訓練された知識を取り入れて、機能領域を広げることである。 主要なコンポーネントを凍結し、残ったコンポーネントのみを適用することで、フェイクパターンを学習しながら、トレーニング済みの知識を保存します。
  論文  参考訳（メタデータ） (2024-11-23T19:10:32Z)
• 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)
• 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)
• SQUID: Deep Feature In-Painting for Unsupervised Anomaly Detection [76.01333073259677]
  無線画像からの異常検出のための空間認識型メモリキューを提案する(略してSQUID)。 SQUIDは, 微細な解剖学的構造を逐次パターンに分類でき, 推測では画像中の異常(見えない/修正されたパターン)を識別できる。
  論文  参考訳（メタデータ） (2021-11-26T13:47:34Z)

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。