論文の概要: HLGFA: High-Low Resolution Guided Feature Alignment for Unsupervised Anomaly Detection

• arxiv url: http://arxiv.org/abs/2602.09524v1
• Date: Tue, 10 Feb 2026 08:27:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-11 20:17:43.451234
• Title: HLGFA: High-Low Resolution Guided Feature Alignment for Unsupervised Anomaly Detection
• Title（参考訳）: HLGFA: 教師なし異常検出のための高分解能誘導機能アライメント
• Authors: Han Zhou, Yuxuan Gao, Yinchao Du, Xuezhe Zheng,
• Abstract要約: 非監督型産業異常検出(UAD)は近代的な製造検査に不可欠である。 クロス解像度な特徴整合性をモデル化して正規性を学習する高分解能ガイド機能アライメントフレームワークを提案する。 標準ベンチマークの実験では、HLGFAの有効性が示され、97.9%のピクセルレベルのAUROCと97.5%のイメージレベルのAUROCが達成された。
• 参考スコア（独自算出の注目度）: 10.362921219308207
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unsupervised industrial anomaly detection (UAD) is essential for modern manufacturing inspection, where defect samples are scarce and reliable detection is required. In this paper, we propose HLGFA, a high-low resolution guided feature alignment framework that learns normality by modeling cross-resolution feature consistency between high-resolution and low-resolution representations of normal samples, instead of relying on pixel-level reconstruction. Dual-resolution inputs are processed by a shared frozen backbone to extract multi-level features, and high-resolution representations are decomposed into structure and detail priors to guide the refinement of low-resolution features through conditional modulation and gated residual correction. During inference, anomalies are naturally identified as regions where cross-resolution alignment breaks down. In addition, a noise-aware data augmentation strategy is introduced to suppress nuisance-induced responses commonly observed in industrial environments. Extensive experiments on standard benchmarks demonstrate the effectiveness of HLGFA, achieving 97.9% pixel-level AUROC and 97.5% image-level AUROC on the MVTec AD dataset, outperforming representative reconstruction-based and feature-based methods.
• Abstract（参考訳）: 非監督型産業異常検出(UAD)は, 欠陥サンプルが乏しく, 信頼性の高い検出が要求される, 近代的な製造検査に不可欠である。 本稿では,高分解能と低分解能の両面における特徴整合性を,画素レベルの再構成に頼らずにモデル化することで,正規性を学習する高分解能誘導機能アライメントフレームワークであるHLGFAを提案する。 デュアルレゾリューション入力を共有冷凍バックボーンで処理してマルチレベル特徴を抽出し、高レゾリューション表現を構造と詳細に分解して、条件変調とゲート残差補正により低レゾリューション特徴の洗練を導く。 推論中、異常は自然に、クロスレゾリューションアライメントが崩壊する領域として識別される。 また,産業環境においてよく見られるニュアンス応答を抑制するため,ノイズ認識型データ拡張戦略を導入している。 HLGFAの有効性を示し、MVTec ADデータセット上で97.9%のAUROCと97.5%のイメージレベルAUROCを達成し、代表的再構成と特徴に基づく手法より優れている。

関連論文リスト

• SRSR: Enhancing Semantic Accuracy in Real-World Image Super-Resolution with Spatially Re-Focused Text-Conditioning [59.013863248600046]
  本稿では,空間的に再焦点を絞ったテキストコンディショニングを推論時に洗練する超解像フレームワークを提案する。 第二に,非接地画素に対するテキストの影響を選択的に回避し,幻覚を防ぐ空間的自由誘導機構を導入する。
  論文  参考訳（メタデータ） (2025-10-26T05:03:55Z)
• Towards High-Resolution Industrial Image Anomaly Detection [7.626097310990373]
  HiADは高分解能異常検出のための一般的なフレームワークである。 異なるスケールで異常なキューを統合するデュアルブランチアーキテクチャを採用している。 高解像度画像におけるきめ細かいテクスチャ変化によって生じる課題に対処するために、マルチレゾリューション機能融合戦略が組み込まれている。
  論文  参考訳（メタデータ） (2025-08-18T13:54:29Z)
• Generate Aligned Anomaly: Region-Guided Few-Shot Anomaly Image-Mask Pair Synthesis for Industrial Inspection [53.137651284042434]
  異常検査は製造業において重要な役割を担っているが、異常サンプルの不足は既存の方法の有効性を制限している。 本稿では,GAA (Generate grained Anomaly) を提案する。 GAAは少数のサンプルのみを用いて現実的で多様で意味的に整合した異常を発生させる。
  論文  参考訳（メタデータ） (2025-07-13T12:56:59Z)
• Region-Aware CAM: High-Resolution Weakly-Supervised Defect Segmentation via Salient Region Perception [2.9962030276180758]
  本稿では,弱教師付きセマンティックセマンティックセグメンテーションフレームワークを提案する。 リージョン対応のクラスアクティベーションマップ(CAM)と擬似ラベルトレーニングで構成されている。 提案手法は,弱教師付き学習と高精度欠陥分割のギャップを効果的に埋めるものである。
  論文  参考訳（メタデータ） (2025-06-28T12:24:45Z)
• Robust Distribution Alignment for Industrial Anomaly Detection under Distribution Shift [51.24522135151649]
  異常検出は産業アプリケーションの品質管理において重要な役割を担っている。 既存の方法は、一般化可能なモデルをトレーニングすることで、ドメインシフトに対処しようとする。 提案手法は,最先端の異常検出法や領域適応法と比較して,優れた結果を示す。
  論文  参考訳（メタデータ） (2025-03-19T05:25:52Z)
• PA-CLIP: Enhancing Zero-Shot Anomaly Detection through Pseudo-Anomaly Awareness [10.364634539199422]
  本稿では,背景雑音を低減し,擬似異常に基づくフレームワークによる欠陥検出を向上するゼロショット異常検出手法であるPA-CLIPを紹介する。 提案手法は,グローバルおよびローカルの詳細な情報を収集するためのマルチスケール特徴集約戦略を統合する。 既存のゼロショット法よりも優れており、工業的欠陥検出のための堅牢なソリューションを提供する。
  論文  参考訳（メタデータ） (2025-03-03T08:29:27Z)
• 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)
• DiffusionAD: Norm-guided One-step Denoising Diffusion for Anomaly Detection [80.20339155618612]
  DiffusionADは、再構成サブネットワークとセグメンテーションサブネットワークからなる、新しい異常検出パイプラインである。 高速なワンステップデノゲーションパラダイムは、同等の再現品質を維持しながら、数百倍の加速を達成する。 異常の出現の多様性を考慮し、複数のノイズスケールの利点を統合するためのノルム誘導パラダイムを提案する。
  論文  参考訳（メタデータ） (2023-03-15T16:14:06Z)
• Reference-Based Autoencoder for Surface Defect Detection [7.163582730053925]
  種々のテクスチャ欠陥を正確に検査するために, RB-AE (unsupervised reference-based autoencoder) を提案する。 モデルが画素レベルの識別能力を得ることができるように、人工欠陥と新たな画素レベルの識別損失関数をトレーニングに活用する。
  論文  参考訳（メタデータ） (2022-11-18T07:13:55Z)
• Uncovering the Over-smoothing Challenge in Image Super-Resolution: Entropy-based Quantification and Contrastive Optimization [67.99082021804145]
  我々はDetail Enhanced Contrastive Loss (DECLoss)と呼ばれるCOO問題に対する明確な解決策を提案する。 DECLossはコントラスト学習のクラスタリング特性を利用して、潜在的な高分解能分布の分散を直接的に低減する。 我々は複数の超高解像度ベンチマーク上でDECLosを評価し,PSNR指向モデルの知覚品質を向上させることを実証した。
  論文  参考訳（メタデータ） (2022-01-04T08:30:09Z)

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。