論文の概要: PatchFlow: Leveraging a Flow-Based Model with Patch Features

• arxiv url: http://arxiv.org/abs/2602.05238v1
• Date: Thu, 05 Feb 2026 02:57:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-06 18:49:08.732812
• Title: PatchFlow: Leveraging a Flow-Based Model with Patch Features
• Title（参考訳）: PatchFlow: パッチ機能を備えたフローベースモデルの活用
• Authors: Boxiang Zhang, Baijian Yang, Xiaoming Wang, Corey Vian,
• Abstract要約: ダイカストは、精密で滑らかな表面を持つ複雑な形状を製作できるため、様々な産業において重要な役割を担っている。 欠陥検出の自動化と改善のためにコンピュータビジョン技術が研究されている。
• 参考スコア（独自算出の注目度）: 3.3188882066534355
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Die casting plays a crucial role across various industries due to its ability to craft intricate shapes with high precision and smooth surfaces. However, surface defects remain a major issue that impedes die casting quality control. Recently, computer vision techniques have been explored to automate and improve defect detection. In this work, we combine local neighbor-aware patch features with a normalizing flow model and bridge the gap between the generic pretrained feature extractor and industrial product images by introducing an adapter module to increase the efficiency and accuracy of automated anomaly detection. Compared to state-of-the-art methods, our approach reduces the error rate by 20\% on the MVTec AD dataset, achieving an image-level AUROC of 99.28\%. Our approach has also enhanced performance on the VisA dataset , achieving an image-level AUROC of 96.48\%. Compared to the state-of-the-art models, this represents a 28.2\% reduction in error. Additionally, experiments on a proprietary die casting dataset yield an accuracy of 95.77\% for anomaly detection, without requiring any anomalous samples for training. Our method illustrates the potential of leveraging computer vision and deep learning techniques to advance inspection capabilities for the die casting industry
• Abstract（参考訳）: ダイカストは、精密で滑らかな表面を持つ複雑な形状を製作できるため、様々な産業において重要な役割を担っている。 しかし、表面欠陥はダイカストの品質管理を妨げる主要な問題である。 近年,欠陥検出の自動化と改善のためにコンピュータビジョン技術が研究されている。 本研究では,局所的に認識されるパッチ特徴と正規化フローモデルを組み合わせることで,適応モジュールを導入し,自動異常検出の効率と精度を高めることで,汎用事前学習特徴抽出器と産業製品画像とのギャップを埋める。 最新の手法と比較して,本手法はMVTec ADデータセット上での誤差率を20\%削減し,画像レベルのAUROCの99.28\%を達成する。 我々のアプローチは、VisAデータセットのパフォーマンスも向上し、画像レベルのAUROCの96.48\%を達成した。 最先端のモデルと比較すると、エラーは28.2\%減少する。 さらに、プロプライエタリなダイカストデータセットの実験では、トレーニングのために異常サンプルを必要とせず、異常検出の精度は95.77\%である。 本手法は, ダイカスト産業の検査能力向上にコンピュータビジョンと深層学習技術を活用する可能性を示す。

関連論文リスト

• Enhancing Glass Defect Detection with Diffusion Models: Addressing Imbalanced Datasets in Manufacturing Quality Control [0.0]
  本稿では, 差動拡散確率モデル(DDPM)を用いて, データ拡張のための合成欠陥ガラス製品画像を生成する手法を提案する。 この手法は標準CNNアーキテクチャの画像分類性能を大幅に向上させる。 ResNet50V2の全体的な分類精度は78%から93%に向上した。
  論文  参考訳（メタデータ） (2025-05-06T03:16:56Z)
• Automated Detection of Defects on Metal Surfaces using Vision Transformers [1.6381055567716192]
  深層学習技術を用いた視覚変換器(ViT)を用いた金属表面欠陥検出モデルの開発 提案モデルは,特徴抽出のためのViTを用いた欠陥の分類と局所化に焦点を当てている。 実験結果から, 自動欠陥検出, 運転効率の向上, 金属製造における誤差の低減に有効であることが示唆された。
  論文  参考訳（メタデータ） (2024-10-06T10:29:45Z)
• Bring the Power of Diffusion Model to Defect Detection [0.0]
  拡散確率モデル(DDPM)は,特徴リポジトリとして構築する認知過程の特徴を抽出するために事前訓練される。 待ち行列特徴を再構成してフィルタして高次元DDPM特徴を得る。 実験結果から,本手法はいくつかの産業データセット上での競合的な結果が得られることが示された。
  論文  参考訳（メタデータ） (2024-08-25T14:28:49Z)
• Leveraging Latent Diffusion Models for Training-Free In-Distribution Data Augmentation for Surface Defect Detection [9.784793380119806]
  データ拡張のためのトレーニング不要な拡散型In-Distribution Anomaly GenerationパイプラインであるDIAGを紹介する。 従来の画像生成技術とは異なり、我々は、ドメインの専門家がモデルにマルチモーダルガイダンスを提供する、Human-in-the-loopパイプラインを実装している。 我々は、挑戦的なKSDD2データセットに対する最先端データ拡張アプローチに関して、DIAGの有効性と汎用性を実証する。
  論文  参考訳（メタデータ） (2024-07-04T14:28:52Z)
• 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)
• 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)
• Global Context Aggregation Network for Lightweight Saliency Detection of Surface Defects [70.48554424894728]
  我々は,エンコーダ・デコーダ構造上の表面欠陥を簡易に検出するためのGCANet(Global Context Aggregation Network)を開発した。 まず、軽量バックボーンの上部層に新しいトランスフォーマーエンコーダを導入し、DSA(Depth-wise Self-Attention)モジュールを通じてグローバルなコンテキスト情報をキャプチャする。 3つの公開欠陥データセットの実験結果から,提案したネットワークは,他の17の最先端手法と比較して,精度と実行効率のトレードオフを良好に達成できることが示された。
  論文  参考訳（メタデータ） (2023-09-22T06:19:11Z)
• ReConPatch : Contrastive Patch Representation Learning for Industrial Anomaly Detection [5.998761048990598]
  本稿では,事前学習モデルから抽出したパッチ特徴の線形変調を訓練することにより,異常検出のための識別機能を構築するReConPatchを紹介する。 本手法は,MVTec ADデータセットに対して,最先端の異常検出性能(99.72%)を実現する。
  論文  参考訳（メタデータ） (2023-05-26T07:59:36Z)
• Diffusion Denoising Process for Perceptron Bias in Out-of-distribution Detection [67.49587673594276]
  我々は、識別器モデルが入力の特定の特徴に対してより敏感であることを示唆する新しいパーセプトロンバイアスの仮定を導入し、過度な問題を引き起こした。 DMの拡散分解過程 (DDP) が非対称の新たな形態として機能し, 入力を高め, 過信問題を緩和するのに適していることを示す。 CIFAR10, CIFAR100, ImageNetによる実験により, 提案手法がSOTA手法より優れていることが示された。
  論文  参考訳（メタデータ） (2022-11-21T08:45:08Z)
• Recognition of Defective Mineral Wool Using Pruned ResNet Models [88.24021148516319]
  我々はミネラルウールのための視覚品質管理システムを開発した。 ウール標本のX線画像が収集され、欠陥および非欠陥サンプルのトレーニングセットが作成された。 我々は98%以上の精度のモデルを得たが、同社の現在の手順と比較すると、20%以上の欠陥製品を認識することができる。
  論文  参考訳（メタデータ） (2022-11-01T13:58:02Z)
• 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)
• Calibrating Deep Neural Networks using Focal Loss [77.92765139898906]
  ミススキャリブレーション(Miscalibration)は、モデルの信頼性と正しさのミスマッチである。 焦点損失は、既に十分に校正されたモデルを学ぶことができることを示す。 ほぼすべてのケースにおいて精度を損なうことなく,最先端のキャリブレーションを達成できることを示す。
  論文  参考訳（メタデータ） (2020-02-21T17:35:50Z)

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。