論文の概要: Test-Time Adaptation for Anomaly Segmentation via Topology-Aware Optimal Transport Chaining

• arxiv url: http://arxiv.org/abs/2601.20333v1
• Date: Wed, 28 Jan 2026 07:49:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-29 15:46:06.824579
• Title: Test-Time Adaptation for Anomaly Segmentation via Topology-Aware Optimal Transport Chaining
• Title（参考訳）: トポロジーを考慮した最適輸送チェーンによる異常セグメンテーションのためのテスト時間適応
• Authors: Ali Zia, Usman Ali, Umer Ramzan, Abdul Rehman, Abdelwahed Khamis, Wei Xiang,
• Abstract要約: TopoOTはトポロジ対応の最適なトランスポート(OT)フレームワークである。 多重フィルタ永続図(PD)とテスト時間適応(TTA)を統合する。 TopoOTは2Dおよび3D異常検出ベンチマークで最先端のパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 10.091031517157411
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep topological data analysis (TDA) offers a principled framework for capturing structural invariants such as connectivity and cycles that persist across scales, making it a natural fit for anomaly segmentation (AS). Unlike thresholdbased binarisation, which produces brittle masks under distribution shift, TDA allows anomalies to be characterised as disruptions to global structure rather than local fluctuations. We introduce TopoOT, a topology-aware optimal transport (OT) framework that integrates multi-filtration persistence diagrams (PDs) with test-time adaptation (TTA). Our key innovation is Optimal Transport Chaining, which sequentially aligns PDs across thresholds and filtrations, yielding geodesic stability scores that identify features consistently preserved across scales. These stabilityaware pseudo-labels supervise a lightweight head trained online with OT-consistency and contrastive objectives, ensuring robust adaptation under domain shift. Across standard 2D and 3D anomaly detection benchmarks, TopoOT achieves state-of-the-art performance, outperforming the most competitive methods by up to +24.1% mean F1 on 2D datasets and +10.2% on 3D AS benchmarks.
• Abstract（参考訳）: 深部トポロジカルデータ分析(TDA)は、接続性やサイクルなどの構造的不変性を把握し、スケールにわたって持続する原則的なフレームワークを提供し、異常セグメンテーション(AS)に自然に適合する。 分布シフトの下で脆性マスクを生成するしきい値ベースの双項化とは異なり、TDAは異常を局所的なゆらぎではなく、大域的な構造を乱すものとして特徴付けることができる。 テスト時間適応(TTA)とマルチフィルタ永続化ダイアグラム(PD)を統合するトポロジ対応の最適トランスポート(OT)フレームワークであるTopoOTを紹介する。 私たちの重要なイノベーションは、最適輸送チェイン(Optimal Transport Chaining)です。これは、しきい値とろ過値の間でPDを逐次整列させ、測地安定性スコアをもたらします。 これらの安定性に配慮した擬似ラベルは、OT一貫性と対照的な目的によってトレーニングされた軽量ヘッドを監督し、ドメインシフトの下で堅牢な適応を保証する。 標準的な2Dおよび3D異常検出ベンチマーク全体で、TopoOTは最先端のパフォーマンスを達成し、2DデータセットのF1平均値+24.1%、3D ASベンチマークのF1平均値+10.2%で、最も競争力のある手法を上回っている。

関連論文リスト

• SD-CGAN: Conditional Sinkhorn Divergence GAN for DDoS Anomaly Detection in IoT Networks [7.7791934741614925]
  本稿では,Sinkhorn Divergence で拡張された条件付き生成逆ネットワークフレームワーク SD-CGAN を提案する。 このフレームワークは、CTGANベースの合成データ拡張により、クラス不均衡に対処し、Sinkhorn Divergenceを幾何認識損失関数として活用することにより、トレーニング安定性を改善し、モード崩壊を低減する。 その結果、SD-CGANはエッジ対応IoT環境への展開に適した計算効率を維持しつつ、より優れた検出精度、精度、リコール、F1スコアを実現することが示された。
  論文  参考訳（メタデータ） (2025-11-28T23:57:51Z)
• Adaptive Dual Uncertainty Optimization: Boosting Monocular 3D Object Detection under Test-Time Shifts [80.32933059529135]
  TTA(Test-Time Adaptation)メソッドが出現し、推論中にターゲット分布に適応する。 我々は、堅牢なM3ODの両不確実性を共同で最小化するために設計された、最初のTTAフレームワークであるDual Uncertainity Optimization (DUO)を提案する。 並列に,明瞭な意味的手がかりを持つ領域における幾何学的コヒーレンスを保存する意味認識型正規場制約を設計する。
  論文  参考訳（メタデータ） (2025-08-28T07:09:21Z)
• Domain Adaptation via Feature Refinement [0.3867363075280543]
  本稿では,分散シフト下での非教師付きドメイン適応のための簡易かつ効果的なフレームワークであるDAFR(Domain Adaptation via Feature Refinement)を提案する。 提案手法は, ラベルなし対象データを用いたバッチ正規化統計の適応, ソース学習モデルからの特徴蒸留, 仮説伝達の3つの重要な要素を組み合わせた。
  論文  参考訳（メタデータ） (2025-08-22T06:32:19Z)
• TopoTTA: Topology-Enhanced Test-Time Adaptation for Tubular Structure Segmentation [19.36694619611655]
  Topology-enhanced Test-Time Adaptation (TopoTTA)は、Tubular Structure segmentation (TSS)のために設計されたテスト時間適応フレームワークである。 TopoTTAは2つの段階から構成される: ステージ1はトポMDCを用いてドメイン横断的なトポロジカルな不一致にモデルを適応し、ステージ2はトポロジカルなサンプル生成戦略によってトポロジカルな連続性を改善する。 4つのシナリオと10のデータセットにわたる大規模な実験は、トポロジカルな分布シフトを扱う上でのTopoTTAの有効性を示している。
  論文  参考訳（メタデータ） (2025-08-01T08:59:13Z)
• Balancing Stability and Plasticity in Pretrained Detector: A Dual-Path Framework for Incremental Object Detection [19.684132921720945]
  安定性と可塑性のバランスは、事前訓練されたモデルベースインクリメンタルオブジェクト検出における根本的な課題である。 局所化安定性と分類可塑性を分離する事前訓練されたDETR検出器上に構築したデュアルパスフレームワークを提案する。 我々はPTMIODの安定性と塑性のバランスを効果的に保ち、堅牢なクロスドメイン適応と強力な鍛造能力の維持を実現していることを示す。
  論文  参考訳（メタデータ） (2025-04-14T13:31:35Z)
• DRIVE: Dual-Robustness via Information Variability and Entropic Consistency in Source-Free Unsupervised Domain Adaptation [10.127634263641877]
  ラベル付きデータなしで機械学習モデルを新しいドメインに適応させることは、医療画像、自律運転、リモートセンシングといったアプリケーションにおいて重要な課題である。 Source-Free Unsupervised Domain Adaptation (SFUDA)と呼ばれるこのタスクでは、未ラベルのターゲットデータのみを使用して、トレーニング済みのモデルをターゲットドメインに適応させる。 既存のSFUDAメソッドは、しばしば単一モデルアーキテクチャに依存し、ターゲットドメインにおける不確実性と可変性に悩まされる。 本稿では、2重モデルアーキテクチャを利用した新しいSFUDAフレームワークDRIVEを提案する。
  論文  参考訳（メタデータ） (2024-11-24T20:35:04Z)
• 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)
• Label Distributionally Robust Losses for Multi-class Classification: Consistency, Robustness and Adaptivity [55.29408396918968]
  多クラス分類のためのラベル分布ロバスト(LDR)損失という損失関数群について検討した。 我々の貢献は、多クラス分類のためのLDR損失のトップ$kの一貫性を確立することによって、一貫性と堅牢性の両方を含んでいる。 本稿では,各インスタンスのクラスラベルの雑音度に個別化温度パラメータを自動的に適応させる適応型LDR損失を提案する。
  論文  参考訳（メタデータ） (2021-12-30T00:27:30Z)

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。