論文の概要: Knowledge-Embedded and Hypernetwork-Guided Few-Shot Substation Meter Defect Image Generation Method

• arxiv url: http://arxiv.org/abs/2601.09238v1
• Date: Wed, 14 Jan 2026 07:21:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-15 18:59:20.307067
• Title: Knowledge-Embedded and Hypernetwork-Guided Few-Shot Substation Meter Defect Image Generation Method
• Title（参考訳）: 知識埋め込み・ハイパーネットワークガイドを用いたFew-Shot Substation Meter Defect Image Generation法
• Authors: Jackie Alex, Justin Petter,
• Abstract要約: 変電所メータは電力グリッドの安定運用の監視と確保において重要な役割を担っている。 クラックやその他の物理的欠陥の検出は、しばしば、注釈付きサンプルの深刻な不足によって妨げられる。 本研究では,条件付き知識埋め込みとHypernetwork-Guided Controlを安定拡散パイプラインに統合する新しいフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Substation meters play a critical role in monitoring and ensuring the stable operation of power grids, yet their detection of cracks and other physical defects is often hampered by a severe scarcity of annotated samples. To address this few-shot generation challenge, we propose a novel framework that integrates Knowledge Embedding and Hypernetwork-Guided Conditional Control into a Stable Diffusion pipeline, enabling realistic and controllable synthesis of defect images from limited data. First, we bridge the substantial domain gap between natural-image pre-trained models and industrial equipment by fine-tuning a Stable Diffusion backbone using DreamBooth-style knowledge embedding. This process encodes the unique structural and textural priors of substation meters, ensuring generated images retain authentic meter characteristics. Second, we introduce a geometric crack modeling module that parameterizes defect attributes--such as location, length, curvature, and branching pattern--to produce spatially constrained control maps. These maps provide precise, pixel-level guidance during generation. Third, we design a lightweight hypernetwork that dynamically modulates the denoising process of the diffusion model in response to the control maps and high-level defect descriptors, achieving a flexible balance between generation fidelity and controllability. Extensive experiments on a real-world substation meter dataset demonstrate that our method substantially outperforms existing augmentation and generation baselines. It reduces Frechet Inception Distance (FID) by 32.7%, increases diversity metrics, and--most importantly--boosts the mAP of a downstream defect detector by 15.3% when trained on augmented data. The framework offers a practical, high-quality data synthesis solution for industrial inspection systems where defect samples are rare.
• Abstract（参考訳）: 変電所メータは電力グリッドの安定運転の監視と確保において重要な役割を担っているが、それらがひび割れやその他の物理的欠陥を検知することは、注釈付きサンプルの深刻な不足によってしばしば妨げられる。 この数発の課題に対処するため、我々は、知識埋め込みとハイパーネットワーク誘導条件制御を安定拡散パイプラインに統合し、限られたデータから欠陥画像の現実的で制御可能な合成を可能にする新しいフレームワークを提案する。 まず,DreamBooth方式の知識を組み込んだ安定拡散バックボーンの微調整により,自然画像事前学習モデルと産業機器の領域ギャップを橋渡しする。 このプロセスは、サブステーションメータのユニークな構造的およびテクスチャ的先行を符号化し、生成した画像が真のメータ特性を保持することを保証する。 第2に、位置、長さ、曲率、分岐パターンなどの欠陥特性をパラメータ化する幾何学的き裂モデリングモジュールを導入し、空間的に制約された制御マップを生成する。 これらの地図は、世代間正確なピクセルレベルのガイダンスを提供する。 第3に、制御マップと高レベル欠陥記述子に対応する拡散モデルの復調過程を動的に変調する軽量ハイパーネットワークを設計し、生成忠実度と可制御性の間の柔軟なバランスを実現する。 実世界のサブステーションメータのデータセットに対する大規模な実験により、我々の手法は既存の拡張と生成のベースラインを大幅に上回ることを示した。 これはFrechet Inception Distance (FID)を32.7%削減し、多様性の指標を増大させ、最も重要なのは、下流の欠陥検知器のmAPを15.3%減らすことである。 このフレームワークは、欠陥サンプルが稀な産業検査システムに対して、実用的で高品質なデータ合成ソリューションを提供する。

関連論文リスト

• Data-Driven Assessment of Concrete Slab Integrity via Impact-Echo Signals and Neural Networks [0.0]
  剥離, ヴォイド, ハニカムなどの地下欠陥は, コンクリート製橋脚の耐久性に重大な影響を及ぼす。 本稿では, 欠陥局所化と共通コンクリート欠陥の多クラス分類の両方を自動化する機械学習ベースのImpact Echo(IE)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-26T05:49:50Z)
• Diffuse to Detect: A Generalizable Framework for Anomaly Detection with Diffusion Models Applications to UAVs and Beyond [2.4449457537548036]
  UAVセンサーの読み取りなどの複雑な高次元データにおける異常検出は、運用上の安全性に不可欠である。 本稿では,拡散モデルを適用して異常検出を行うDiffuse to Detect(DTD)フレームワークを提案する。 DTDは1ステップの拡散プロセスを用いてノイズパターンを予測し、再構成エラーのない異常の迅速かつ正確な同定を可能にする。
  論文  参考訳（メタデータ） (2025-10-27T02:08:08Z)
• Machine Learning-Based Ultrasonic Weld Characterization Using Hierarchical Wave Modeling and Diffusion-Driven Distribution Alignment [0.0]
  この研究は、音響溶接検査のための機械学習(ML)ワークフローを提案することにより、データキュレーションと信号の破損の課題に対処する。 減階モデル、拡散に基づく分布アライメント、U-Netに基づくセグメント化とインバージョンを提案する。 このフレームワークは、実データの自動溶接検査のためのエンドツーエンドソリューションを提供する。
  論文  参考訳（メタデータ） (2025-10-14T22:38:57Z)
• Solving Inverse Problems with FLAIR [68.87167940623318]
  本稿では,フローベース生成モデルを逆問題に先立って活用する学習自由変分フレームワークFLAIRを提案する。 標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-03T09:29:47Z)
• Photovoltaic Defect Image Generator with Boundary Alignment Smoothing Constraint for Domain Shift Mitigation [7.166413857036151]
  安定拡散(SD)に基づく太陽光発電用欠陥画像生成装置PDIGを提案する。 PDIGは、大規模データセットから学んだ強力な事前情報を活用して、限られたデータの下で生成品質を向上させる。 本手法はFrechet Inception Distance(FID)を第2のベスト法よりも19.16ポイント向上する。
  論文  参考訳（メタデータ） (2025-05-09T15:16:42Z)
• Lazy Layers to Make Fine-Tuned Diffusion Models More Traceable [70.77600345240867]
  新たな任意の任意配置(AIAO)戦略は、微調整による除去に耐性を持たせる。 拡散モデルの入力/出力空間のバックドアを設計する既存の手法とは異なり,本手法では,サンプルサブパスの特徴空間にバックドアを埋め込む方法を提案する。 MS-COCO,AFHQ,LSUN,CUB-200,DreamBoothの各データセットに関する実証研究により,AIAOの堅牢性が確認された。
  論文  参考訳（メタデータ） (2024-05-01T12:03:39Z)
• A Generic Shared Attention Mechanism for Various Backbone Neural Networks [53.36677373145012]
  自己注意モジュール(SAM)は、異なる層にまたがる強い相関した注意マップを生成する。 Dense-and-Implicit Attention (DIA)はSAMをレイヤ間で共有し、長期間のメモリモジュールを使用する。 我々のシンプルで効果的なDIAは、様々なネットワークバックボーンを一貫して拡張できます。
  論文  参考訳（メタデータ） (2022-10-27T13:24:08Z)
• Self-Supervised Masked Convolutional Transformer Block for Anomaly Detection [122.4894940892536]
  本稿では, 自己監督型マスク型畳み込み変圧器ブロック (SSMCTB) について述べる。 本研究では,従来の自己教師型予測畳み込み抑止ブロック(SSPCAB)を3次元マスク付き畳み込み層,チャンネルワイドアテンション用トランスフォーマー,およびハマーロスに基づく新たな自己教師型目標を用いて拡張する。
  論文  参考訳（メタデータ） (2022-09-25T04:56:10Z)
• 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。