論文の概要: CCAD: Compressed Global Feature Conditioned Anomaly Detection

• arxiv url: http://arxiv.org/abs/2512.21459v1
• Date: Thu, 25 Dec 2025 01:33:00 GMT
• ステータス: 情報取得中
• システム内更新日: 2025-12-29 11:54:47.317238
• Title: CCAD: Compressed Global Feature Conditioned Anomaly Detection
• Title（参考訳）: CCAD: 圧縮されたグローバル特徴条件付き異常検出
• Authors: Xiao Jin, Liang Diao, Qixin Xiao, Yifan Hu, Ziqi Zhang, Yuchen Liu, Haisong Gu,
• Abstract要約: 我々は,CCAD(Compressed Global Feature Conditioned Anomaly Detection)という新しい手法を提案する。 CCADは、再構成モデルの新たなモダリティ条件として、グローバルな特徴を適応させることにより、両方のパラダイムの強みを相乗化する。 大規模な実験により、CCADはAUCの点で最先端の手法を一貫して上回っていることが示された。
• 参考スコア（独自算出の注目度）: 17.713315314682458
• License:
• Abstract: Anomaly detection holds considerable industrial significance, especially in scenarios with limited anomalous data. Currently, reconstruction-based and unsupervised representation-based approaches are the primary focus. However, unsupervised representation-based methods struggle to extract robust features under domain shift, whereas reconstruction-based methods often suffer from low training efficiency and performance degradation due to insufficient constraints. To address these challenges, we propose a novel method named Compressed Global Feature Conditioned Anomaly Detection (CCAD). CCAD synergizes the strengths of both paradigms by adapting global features as a new modality condition for the reconstruction model. Furthermore, we design an adaptive compression mechanism to enhance both generalization and training efficiency. Extensive experiments demonstrate that CCAD consistently outperforms state-of-the-art methods in terms of AUC while achieving faster convergence. In addition, we contribute a reorganized and re-annotated version of the DAGM 2007 dataset with new annotations to further validate our method's effectiveness. The code for reproducing main results is available at https://github.com/chloeqxq/CCAD.
• Abstract（参考訳）: 異常検出は、特に限られた異常データを持つシナリオにおいて、かなりの工業的重要性を持つ。 現在、再構成ベースと教師なし表現ベースアプローチが主な焦点となっている。 しかし、教師なし表現に基づく手法は、ドメインシフトの下で頑健な特徴を抽出するのに苦労する一方、再構成に基づく手法は、制約が不十分なため、訓練効率の低下と性能劣化に悩まされることが多い。 これらの課題に対処するため,我々はCompressed Global Feature Conditioned Anomaly Detection (CCAD) という新しい手法を提案する。 CCADは、再構成モデルの新たなモダリティ条件として、グローバルな特徴を適応させることにより、両方のパラダイムの強みを相乗化する。 さらに,一般化と学習効率を向上させるための適応圧縮機構を設計する。 大規模な実験により、CCADはより高速な収束を達成しつつ、AUCの観点から最先端の手法を一貫して上回ることを示した。 さらに,DAGM 2007データセットの再構成および再注釈版に新たなアノテーションを付与し,提案手法の有効性を検証した。 主要な結果を再現するためのコードはhttps://github.com/chloeqxq/CCADで公開されている。

関連論文リスト

• Improving Deepfake Detection with Reinforcement Learning-Based Adaptive Data Augmentation [60.04281435591454]
  CRDA(Curriculum Reinforcement-Learning Data Augmentation)は、マルチドメインの偽造機能を段階的にマスターするための検出器を導く新しいフレームワークである。 私たちのアプローチの中心は、強化学習と因果推論を統合することです。 提案手法は検出器の一般化性を大幅に向上し,複数のクロスドメインデータセット間でSOTA法より優れている。
  論文  参考訳（メタデータ） (2025-11-10T12:45:52Z)
• Deepfake Detection that Generalizes Across Benchmarks [48.85953407706351]
  ディープフェイク検出器の非表示操作技術への一般化は、実用的展開の課題である。 この研究は、基礎となる事前学習された視覚エンコーダのパラメータ効率適応により、ロバストな一般化が達成可能であることを示す。 提案手法は、平均的クロスデータセットAUROCにおける、より複雑な、最新のアプローチよりも優れた、最先端の性能を実現する。
  論文  参考訳（メタデータ） (2025-08-08T12:03:56Z)
• From Controlled Scenarios to Real-World: Cross-Domain Degradation Pattern Matching for All-in-One Image Restoration [2.997052569698842]
  All-in-One Image Restoration (AiOIR) は、統一されたパラメータを持つ単一モデルを用いて、複数の劣化パターンによる画像復元を実現することを目的としている。 UDAIRフレームワークは、ソースドメインからターゲットドメインへの学習知識を活用することにより、AiOIRを効果的に実現するために提案されている。 10のオープンソースデータセットの実験結果は、UDAIRがAiOIRタスクのための新しい最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2025-05-28T12:22:00Z)
• Preventing Model Collapse in Deep Canonical Correlation Analysis by Noise Regularization [10.216526425377149]
  MVRL(Multi-View Representation Learning)は、オブジェクトの統一表現を多視点データから学習することを目的としている。 ディープ・カノニカル相関解析(DCCA)とその変種は単純な定式化を共有し、最先端の性能を示す。 モデル崩壊の問題,すなわちDCCAに基づく手法の性能が,トレーニングが進むと劇的に低下するのを観察する。 モデル崩壊防止のための新しいノイズ正規化手法を備えたNR-DCCAを開発した。
  論文  参考訳（メタデータ） (2024-11-01T06:02:30Z)
• Feature Attenuation of Defective Representation Can Resolve Incomplete Masking on Anomaly Detection [1.0358639819750703]
  教師なし異常検出(UAD)研究では、計算効率が高くスケーラブルなソリューションを開発する必要がある。 再建・塗り替えのアプローチを再考し、強みと弱みを分析して改善する。 異常再構成の特徴情報を減衰させる2つの層のみを用いるFADeR(Feature Attenuation of Defective Representation)を提案する。
  論文  参考訳（メタデータ） (2024-07-05T15:44:53Z)
• ReCoRe: Regularized Contrastive Representation Learning of World Model [21.29132219042405]
  対照的な教師なし学習と介入不変正規化器を用いて不変特徴を学習する世界モデルを提案する。 提案手法は,現状のモデルベースおよびモデルフリーのRL法より優れ,iGibsonベンチマークで評価された分布外ナビゲーションタスクを大幅に改善する。
  論文  参考訳（メタデータ） (2023-12-14T15:53:07Z)
• Convex Latent-Optimized Adversarial Regularizers for Imaging Inverse Problems [8.33626757808923]
  本稿では,新しいデータ駆動型パラダイムであるConvex Latent-d Adrial Regularizers (CLEAR)を紹介する。 CLEARは、ディープラーニング(DL)と変分正規化の融合を表す。 本手法は従来型のデータ駆動手法と従来型の正規化手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2023-09-17T12:06:04Z)
• Crafting Training Degradation Distribution for the Accuracy-Generalization Trade-off in Real-World Super-Resolution [53.0437282872811]
  そこで本研究では,少数の参照画像を用いたクラフトトレーニング劣化分布の新しい手法を提案する。 提案手法は,実世界のアプリケーションにおける一般化能力を保ちながら,テスト画像の性能を著しく向上することを示す。
  論文  参考訳（メタデータ） (2023-05-29T14:22:48Z)
• 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)
• Generalized Real-World Super-Resolution through Adversarial Robustness [107.02188934602802]
  本稿では,実世界のSRに取り組むために,敵攻撃の一般化能力を活用したロバスト超解法を提案する。 我々の新しいフレームワークは、現実世界のSR手法の開発においてパラダイムシフトをもたらす。 単一のロバストモデルを使用することで、実世界のベンチマークで最先端の特殊な手法より優れています。
  論文  参考訳（メタデータ） (2021-08-25T22:43:20Z)

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。