論文の概要: Collaborative Reconstruction and Repair for Multi-class Industrial Anomaly Detection

• arxiv url: http://arxiv.org/abs/2512.11401v1
• Date: Fri, 12 Dec 2025 09:24:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-15 15:48:11.71489
• Title: Collaborative Reconstruction and Repair for Multi-class Industrial Anomaly Detection
• Title（参考訳）: 多種産業異常検出のための協調的再構成と修復
• Authors: Qishan Wang, Haofeng Wang, Shuyong Gao, Jia Guo, Li Xiong, Jiaqi Li, Dengxuan Bai, Wenqiang Zhang,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 37.057760207060554
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Industrial anomaly detection is a challenging open-set task that aims to identify unknown anomalous patterns deviating from normal data distribution. To avoid the significant memory consumption and limited generalizability brought by building separate models per class, we focus on developing a unified framework for multi-class anomaly detection. However, under this challenging setting, conventional reconstruction-based networks often suffer from an identity mapping problem, where they directly replicate input features regardless of whether they are normal or anomalous, resulting in detection failures. To address this issue, this study proposes a novel framework termed Collaborative Reconstruction and Repair (CRR), which transforms the reconstruction to repairation. First, we optimize the decoder to reconstruct normal samples while repairing synthesized anomalies. Consequently, it generates distinct representations for anomalous regions and similar representations for normal areas compared to the encoder's output. Second, we implement feature-level random masking to ensure that the representations from decoder contain sufficient local information. Finally, to minimize detection errors arising from the discrepancies between feature representations from the encoder and decoder, we train a segmentation network supervised by synthetic anomaly masks, thereby enhancing localization performance. Extensive experiments on industrial datasets that CRR effectively mitigates the identity mapping issue and achieves state-of-the-art performance in multi-class industrial anomaly detection.
• Abstract（参考訳）: 産業的異常検出は、通常のデータ分布から逸脱した未知の異常パターンを特定することを目的とした、挑戦的なオープンセットタスクである。 クラス毎に別々のモデルを構築することによって生じるメモリ消費と限定的な一般化を回避するため,マルチクラス異常検出のための統合フレームワークの開発に重点を置いている。 しかし、この困難な状況下では、従来の再構成ベースのネットワークはIDマッピングの問題に悩まされることが多く、入力特徴が正常であるか異常であるかに関わらず直接複製され、検出に失敗する。 そこで本研究では,CRR(Collaborative Restructation and repair)と呼ばれる新しいフレームワークを提案する。 まず、デコーダを最適化し、合成された異常を修復しながら正常なサンプルを復元する。 その結果、エンコーダの出力と比較すると、異常領域と正常領域の類似表現を区別して生成する。 第2に,デコーダからの表現が十分な局所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。 最後に,エンコーダとデコーダの特徴表現の相違による検出誤差を最小限に抑えるため,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。 CRRがIDマッピング問題を効果的に軽減し、多クラス産業異常検出における最先端の性能を達成する産業データセットに関する大規模な実験。

関連論文リスト

• 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)
• A Hierarchically Feature Reconstructed Autoencoder for Unsupervised Anomaly Detection [8.512184778338806]
  それは、階層的な特徴表現を抽出するための十分に訓練されたエンコーダと、これらの中間的特徴をエンコーダから再構成するデコーダで構成されている。 復号器が機能再構成に失敗すると異常を検知し、階層的特徴再構成の誤差を異常マップに集約して異常局所化を実現する。 実験の結果,提案手法はMNIST, Fashion-MNIST, CIFAR-10, MVTec異常検出データセットにおいて,最先端の手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-05-15T07:20:27Z)
• Feature Purified Transformer With Cross-level Feature Guiding Decoder For Multi-class OOD and Anomaly Deteciton [22.59400036717643]
  本稿では,FPM(Feature Purification Module)とCFGデコーダの2つの革新的なモジュールを組み込んだFUTUREGフレームワークを紹介する。 FPMは、潜在空間内の正規性境界を制約し、異常な特徴を効果的にフィルタリングする。 CFGデコーダは層単位でのエンコーダ表現を使用してフィルタされた特徴の再構築を誘導し、きめ細かい詳細を保存する。
  論文  参考訳（メタデータ） (2024-04-30T16:45:51Z)
• 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)
• ARES: Locally Adaptive Reconstruction-based Anomaly Scoring [25.707159917988733]
  本研究では, 異常スコアリング関数が, 正常サンプルの範囲にわたる復元誤差の自然な変動に適応しないことを示す。 本稿では,適応的再構成誤りに基づくスコーリング手法を提案する。
  論文  参考訳（メタデータ） (2022-06-15T15:35:12Z)

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。