論文の概要: High Dimensional Data Decomposition for Anomaly Detection of Textured Images

• arxiv url: http://arxiv.org/abs/2512.20432v1
• Date: Tue, 23 Dec 2025 15:21:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-24 19:17:49.920603
• Title: High Dimensional Data Decomposition for Anomaly Detection of Textured Images
• Title（参考訳）: テクスチャ画像の異常検出のための高次元データ分解
• Authors: Ji Song, Xing Wang, Jianguo Wu, Xiaowei Yue,
• Abstract要約: 本稿では,テクスチャ画像における効率的な異常検出のためのテクスチャベース統合型滑らか分解(TBSD)手法を提案する。 提案手法は,誤識別が少なく,トレーニングデータセットの要件が小さく,シミュレーションおよび実世界のデータセット上での異常検出性能が優れたベンチマークを超越する。
• 参考スコア（独自算出の注目度）: 13.885651193159198
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In the realm of diverse high-dimensional data, images play a significant role across various processes of manufacturing systems where efficient image anomaly detection has emerged as a core technology of utmost importance. However, when applied to textured defect images, conventional anomaly detection methods have limitations including non-negligible misidentification, low robustness, and excessive reliance on large-scale and structured datasets. This paper proposes a texture basis integrated smooth decomposition (TBSD) approach, which is targeted at efficient anomaly detection in textured images with smooth backgrounds and sparse anomalies. Mathematical formulation of quasi-periodicity and its theoretical properties are investigated for image texture estimation. TBSD method consists of two principal processes: the first process learns the texture basis functions to effectively extract quasi-periodic texture patterns; the subsequent anomaly detection process utilizes that texture basis as prior knowledge to prevent texture misidentification and capture potential anomalies with high accuracy.The proposed method surpasses benchmarks with less misidentification, smaller training dataset requirement, and superior anomaly detection performance on both simulation and real-world datasets.
• Abstract（参考訳）: 多様な高次元データの領域において、画像は、効率的な画像異常検出が最重要となる製造システムの様々なプロセスにおいて重要な役割を果たす。 しかし, テクスチャ欠陥画像に適用した場合, 従来の異常検出手法には, 非無視的誤識別, 低ロバスト性, 大規模かつ構造化されたデータセットへの過度な依存などの制限がある。 本稿では,スムーズな背景とスパースな異常を有するテクスチャ画像の効率的な異常検出を目的としたテクスチャベース統合型滑らか分解(TBSD)手法を提案する。 画像テクスチャ推定のための準周期性の数学的定式化とその理論的性質について検討した。 TBSD法は, テクスチャベース関数を学習して準周期的テクスチャパターンを効果的に抽出し, その後の異常検出プロセスでは, そのテクスチャベースを事前知識として利用して, テクスチャの誤識別を防止し, 潜在的な異常を高精度に捕捉する。

関連論文リスト

• Understanding and Improving Training-Free AI-Generated Image Detections with Vision Foundation Models [68.90917438865078]
  顔合成と編集のためのディープフェイク技術は、生成モデルに重大なリスクをもたらす。 本稿では,モデルバックボーン,タイプ,データセット間で検出性能がどう変化するかを検討する。 本稿では、顔画像のパフォーマンスを向上させるContrastive Blurと、ノイズタイプのバイアスに対処し、ドメイン間のパフォーマンスのバランスをとるMINDERを紹介する。
  論文  参考訳（メタデータ） (2024-11-28T13:04:45Z)
• LADMIM: Logical Anomaly Detection with Masked Image Modeling in Discrete Latent Space [0.0]
  マスク付き画像モデリングは、画像中のマスキング領域の特徴表現を予測する自己教師付き学習技術である。 本稿では,MIMの特性を利用して論理異常を効果的に検出する手法を提案する。 提案手法をMVTecLOCOデータセット上で評価し,平均AUC 0.867。
  論文  参考訳（メタデータ） (2024-10-14T07:50:56Z)
• Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
  具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。 本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
  論文  参考訳（メタデータ） (2024-01-06T07:30:41Z)
• 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)
• FRE: A Fast Method For Anomaly Detection And Segmentation [5.0468312081378475]
  本稿では,視覚異常検出とセグメンテーション問題を解決するための原理的アプローチを提案する。 本稿では,事前学習したDNNが生み出す中間特性に対する線形統計量次元削減手法の適用について述べる。 高次元空間における原特徴と低次元縮小埋め込みの前像との差の$ell$-normのEmphfeature reconstruction error (FRE) が異常検出に極めて有効であることを示す。
  論文  参考訳（メタデータ） (2022-11-23T01:03:20Z)
• Self-Supervised Texture Image Anomaly Detection By Fusing Normalizing Flow and Dictionary Learning [0.0]
  異常識別における一般的な研究領域は、テクスチャ背景に基づく産業画像異常検出である。 テクスチャ画像の干渉とテクスチャ異常の微妙さが、多くの既存モデルが異常の検出に失敗した主な理由である。 本稿では,上記の質問に基づいて,辞書学習と正規化フローを組み合わせた異常検出手法を提案する。
  論文  参考訳（メタデータ） (2022-09-15T02:25:42Z)
• 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)
• PAEDID: Patch Autoencoder Based Deep Image Decomposition For Pixel-level Defective Region Segmentation [16.519583839906904]
  欠陥領域分割のための非教師パッチオートエンコーダに基づくディープ画像分解法(PAEDID)を提案する。 パッチオートエンコーダ(PAE)ネットワークにより,より深い画像として共通の背景を学習する。 提案手法を採用することにより、画像中の欠陥領域を教師なしで正確に抽出することができる。
  論文  参考訳（メタデータ） (2022-03-28T02:50:06Z)
• Data Consistent CT Reconstruction from Insufficient Data with Learned Prior Images [70.13735569016752]
  偽陰性病変と偽陽性病変を呈示し,CT画像再構成における深層学習の堅牢性について検討した。 本稿では,圧縮センシングと深層学習の利点を組み合わせた画像品質向上のためのデータ一貫性再構築手法を提案する。 提案手法の有効性は,円錐ビームCTにおいて,トランキャットデータ,リミテッドアングルデータ,スパースビューデータで示される。
  論文  参考訳（メタデータ） (2020-05-20T13:30:49Z)

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。