論文の概要: RcAE: Recursive Reconstruction Framework for Unsupervised Industrial Anomaly Detection

• arxiv url: http://arxiv.org/abs/2512.11284v1
• Date: Fri, 12 Dec 2025 05:07:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-15 15:48:11.662663
• Title: RcAE: Recursive Reconstruction Framework for Unsupervised Industrial Anomaly Detection
• Title（参考訳）: RcAE:非監督型産業異常検出のための再帰的再構成フレームワーク
• Authors: Rongcheng Wu, Hao Zhu, Shiying Zhang, Mingzhe Wang, Zhidong Li, Hui Li, Jianlong Zhou, Jiangtao Cui, Fang Chen, Pingyang Sun, Qiyu Liao, Ye Lin,
• Abstract要約: 教師なしの産業異常検出では、ラベル付きデータなしで欠陥を正確に識別する必要がある。 従来のオートエンコーダベースの手法は、しばしば不完全な異常の抑制と詳細の喪失に苦しむ。 本稿では,正規構造を補修しつつ,段階的に異常を抑えるために反復的に再構成を行う自動エンコーダ(RcAE)の再帰アーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 20.178407046262357
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unsupervised industrial anomaly detection requires accurately identifying defects without labeled data. Traditional autoencoder-based methods often struggle with incomplete anomaly suppression and loss of fine details, as their single-pass decoding fails to effectively handle anomalies with varying severity and scale. We propose a recursive architecture for autoencoder (RcAE), which performs reconstruction iteratively to progressively suppress anomalies while refining normal structures. Unlike traditional single-pass models, this recursive design naturally produces a sequence of reconstructions, progressively exposing suppressed abnormal patterns. To leverage this reconstruction dynamics, we introduce a Cross Recursion Detection (CRD) module that tracks inconsistencies across recursion steps, enhancing detection of both subtle and large-scale anomalies. Additionally, we incorporate a Detail Preservation Network (DPN) to recover high-frequency textures typically lost during reconstruction. Extensive experiments demonstrate that our method significantly outperforms existing non-diffusion methods, and achieves performance on par with recent diffusion models with only 10% of their parameters and offering substantially faster inference. These results highlight the practicality and efficiency of our approach for real-world applications.
• Abstract（参考訳）: 教師なしの産業異常検出では、ラベル付きデータなしで欠陥を正確に識別する必要がある。 従来のオートエンコーダベースの手法は、単一パスの復号化が重度とスケールの異なる異常を効果的に扱えないため、不完全な異常の抑制と詳細の喪失に苦慮することが多い。 本稿では,正規構造を補修しつつ,段階的に異常を抑えるために反復的に再構成を行う自動エンコーダ(RcAE)の再帰的アーキテクチャを提案する。 従来のシングルパスモデルとは異なり、この再帰設計は自然に一連の再構成を発生させ、抑圧された異常パターンを徐々に表わす。 この再構成のダイナミクスを活用するために,再帰ステップ間の不整合をトラッキングし,微妙かつ大規模な異常を検出するCRD(Cross Recursion Detection)モジュールを導入する。 さらに,再建時に失われる高周波テクスチャを復元するために,Detail Preservation Network (DPN) を組み込んだ。 大規模な実験により,本手法は既存の非拡散法を著しく上回り,パラメータの10%しか持たない最近の拡散モデルに匹敵する性能を示し,より高速な推論を提供する。 これらの結果は、実世界のアプリケーションに対する我々のアプローチの実践性と効率性を浮き彫りにする。

関連論文リスト

• Collaborative Reconstruction and Repair for Multi-class Industrial Anomaly Detection [37.057760207060554]
  コラボレーティブ・リコンストラクション・アンド・リコンストラクション(CRR)は、リコンストラクションを修復に変換する。 我々は,デコーダからの表現が十分なローカル情報を含むことを保証するために,特徴レベルのランダムマスキングを実装した。 我々は,合成異常マスクによって教師されるセグメンテーションネットワークを訓練し,ローカライゼーション性能を向上させる。
  論文  参考訳（メタデータ） (2025-12-12T09:24:23Z)
• Neural Network Training Strategy to Enhance Anomaly Detection Performance: A Perspective on Reconstruction Loss Amplification [2.7503452586560484]
  非教師なし異常検出(UAD)は、まれな異常発生とデータ不均衡により、業界で広く採用されているアプローチである。 近年の研究では、異なる視点からの再構築において、それらの UAD モデルの一般化能力を含めることが試みられている。 そこで我々は,ロスアンプリフィケーション(Loss AMPlification)と呼ばれる再構成損失を増幅することにより,損失景観の鮮明化手法を提案する。
  論文  参考訳（メタデータ） (2023-08-28T14:06:36Z)
• Reconstruction Error-based Anomaly Detection with Few Outlying Examples [1.011824113969195]
  本研究では,正規データのドメイン記述の外部に既知の異常を配置するようにモデルに指示する,再構成エラーに基づくアーキテクチャのアプローチについて検討する。 特に,本手法では,正常例と未知例の双方に関連のある再現誤差の対比を増大させるために,限られた数の異常例を利用する。
  論文  参考訳（メタデータ） (2023-05-17T08:20:29Z)
• 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)
• 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)

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。