論文の概要: GCR: Geometry-Consistent Routing for Task-Agnostic Continual Anomaly Detection

• arxiv url: http://arxiv.org/abs/2601.01856v1
• Date: Mon, 05 Jan 2026 07:33:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:22.840875
• Title: GCR: Geometry-Consistent Routing for Task-Agnostic Continual Anomaly Detection
• Title（参考訳）: GCR:タスク非依存連続異常検出のための幾何一貫性ルーティング
• Authors: Joongwon Chae, Lihui Luo, Yang Liu, Runming Wang, Dongmei Yu, Zeming Liang, Xi Yuan, Dayan Zhang, Zhenglin Chen, Peiwu Qin, Ilmoon Chae,
• Abstract要約: 幾何整合性ルーティングによる連続的異常検出を安定化するための軽量なミックス・オブ・サーキットフレームワークを提案する。 GCRは、蓄積した最も近いプロトタイプ距離をカテゴリ固有のプロトタイプバンクに最小化し、各テスト画像を共有パッチ埋め込み空間に直接ルーティングする。 MVTec ADとVisAの実験では、幾何一貫性のあるルーティングがルーティングの安定性を大幅に改善し、連続的な性能崩壊を緩和することを示した。
• 参考スコア（独自算出の注目度）: 5.925242470217676
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Feature-based anomaly detection is widely adopted in industrial inspection due to the strong representational power of large pre-trained vision encoders. While most existing methods focus on improving within-category anomaly scoring, practical deployments increasingly require task-agnostic operation under continual category expansion, where the category identity is unknown at test time. In this setting, overall performance is often dominated by expert selection, namely routing an input to an appropriate normality model before any head-specific scoring is applied. However, routing rules that compare head-specific anomaly scores across independently constructed heads are unreliable in practice, as score distributions can differ substantially across categories in scale and tail behavior. We propose GCR, a lightweight mixture-of-experts framework for stabilizing task-agnostic continual anomaly detection through geometry-consistent routing. GCR routes each test image directly in a shared frozen patch-embedding space by minimizing an accumulated nearest-prototype distance to category-specific prototype banks, and then computes anomaly maps only within the routed expert using a standard prototype-based scoring rule. By separating cross-head decision making from within-head anomaly scoring, GCR avoids cross-head score comparability issues without requiring end-to-end representation learning. Experiments on MVTec AD and VisA show that geometry-consistent routing substantially improves routing stability and mitigates continual performance collapse, achieving near-zero forgetting while maintaining competitive detection and localization performance. These results indicate that many failures previously attributed to representation forgetting can instead be explained by decision-rule instability in cross-head routing. Code is available at https://github.com/jw-chae/GCR
• Abstract（参考訳）: 特徴に基づく異常検出は、大規模な事前学習型視覚エンコーダの強い表現力のため、産業検査において広く採用されている。 既存のほとんどの手法はカテゴリー内異常スコアの改善に重点を置いているが、実際的な展開では、テスト時にカテゴリのアイデンティティが不明な連続的なカテゴリ拡張の下でタスクに依存しない操作がますます求められている。 この設定では、頭固有のスコアリングが適用される前に入力を適切な正規化モデルにルーティングする専門家の選択によって、全体的なパフォーマンスが支配されることが多い。 しかし、個別に構築された頭部の異常スコアを比較するルーティングルールは、実際には信頼性が低く、スコア分布はスケールと尾の挙動のカテゴリーで大きく異なる可能性がある。 本稿では,幾何整合ルーティングによるタスク非依存連続異常検出を安定化するための軽量な混合処理フレームワークであるGCRを提案する。 GCRは、蓄積した最も近いプロトタイプバンクからカテゴリ固有のプロトタイプバンクまでの距離を最小化し、各テストイメージを直接、共有されたパッチ埋め込み空間にルーティングし、標準のプロトタイプベースのスコアリングルールを使用して、ルーティングされた専門家内でのみ異常マップを算出する。 頭内異常スコアから頭内判定を分離することにより、GCRは、エンドツーエンドの表現学習を必要とせずに、頭内異常スコアのコンパラビリティの問題を回避する。 MVTec ADとVisAの実験では、幾何一貫性のあるルーティングはルーティングの安定性を大幅に改善し、連続的なパフォーマンスの崩壊を緩和し、競合検出とローカライゼーション性能を維持しながら、ほぼゼロの忘れを達成している。 これらの結果は、以前は表現を忘れることに起因していた多くの障害は、クロスヘッドルーティングにおける決定ルールの不安定性によって説明できることを示している。 コードはhttps://github.com/jw-chae/GCRで入手できる。

関連論文リスト

• Route-DETR: Pairwise Query Routing in Transformers for Object Detection [11.46025964297103]
  Detection Transformer (DETR) はオブジェクト検出のためのエンドツーエンドソリューションを提供する。 DETRは、複数のクエリが同じ位置に収束する非効率なクエリ競合に悩まされている。 本稿では,デコーダの自己アテンション層における適応的ペアワイズルーティングを通じて,これらの問題に対処するRoute-DETRを提案する。
  論文  参考訳（メタデータ） (2025-12-15T20:26:58Z)
• Unified Unsupervised Anomaly Detection via Matching Cost Filtering [113.43366521994396]
  教師なし異常検出(UAD)は、通常のトレーニングデータのみを用いて画像レベルの異常と画素レベルの異常を識別することを目的としている。 UADモデルの異常コスト量を補正するための汎用的なポストホック精錬フレームワークであるUnified Cost Filtering (UCF) を提案する。
  論文  参考訳（メタデータ） (2025-10-03T03:28:18Z)
• GDformer: Going Beyond Subsequence Isolation for Multivariate Time Series Anomaly Detection [33.22143091814972]
  本論文では,グローバル辞書強調変換器(GDformer)を提案し,全連の正規点で共有されるグローバル表現を育成する。 GDformerは、5つの実世界のベンチマークデータセット上で、最先端の教師なし異常検出性能を一貫して達成する。
  論文  参考訳（メタデータ） (2025-01-30T08:22:51Z)
• GeneralAD: Anomaly Detection Across Domains by Attending to Distorted Features [68.14842693208465]
  GeneralADは、意味的、ほぼ分布的、産業的設定で動作するように設計された異常検出フレームワークである。 本稿では,ノイズ付加やシャッフルなどの簡単な操作を施した自己教師付き異常生成モジュールを提案する。 提案手法を10のデータセットに対して広範囲に評価し,6つの実験結果と,残りの6つの実験結果を得た。
  論文  参考訳（メタデータ） (2024-07-17T09:27:41Z)
• Continuous Memory Representation for Anomaly Detection [24.58611060347548]
  CRADは「連続的」メモリ内の正常な特徴を表現するための新しい異常検出手法である。 MVTec ADデータセットを用いた評価では、CRADは、マルチクラス統一異常検出におけるエラーの65.0%を削減し、従来の最先端手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-02-28T12:38:44Z)
• UGainS: Uncertainty Guided Anomaly Instance Segmentation [80.12253291709673]
  道路上の1つの予期せぬ物体が事故を引き起こしたり、怪我を負うことがある。 現在のアプローチでは、各ピクセルに異常スコアを割り当てることで、異常セグメンテーションに取り組む。 本稿では, 高精度な異常マスクを生成する手法を提案する。
  論文  参考訳（メタデータ） (2023-08-03T20:55:37Z)
• 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)
• Scope Head for Accurate Localization in Object Detection [135.9979405835606]
  本研究では,各位置のアンカーを相互依存関係としてモデル化したScopeNetと呼ばれる新しい検出器を提案する。 我々の簡潔で効果的な設計により、提案したScopeNetはCOCOの最先端の成果を達成する。
  論文  参考訳（メタデータ） (2020-05-11T04:00:09Z)

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。