論文の概要: StructCore: Structure-Aware Image-Level Scoring for Training-Free Unsupervised Anomaly Detection

• arxiv url: http://arxiv.org/abs/2602.17048v1
• Date: Thu, 19 Feb 2026 03:35:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-20 15:21:28.618698
• Title: StructCore: Structure-Aware Image-Level Scoring for Training-Free Unsupervised Anomaly Detection
• Title（参考訳）: StructCore: トレーニング不要な教師なし異常検出のための構造対応イメージレベルスコーリング
• 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: 最大プーリングは、メモリバンクベースの教師なし異常検出(UAD)において、異常スコアマップを画像レベルの決定に変換するデファクトスタンダードである。 本研究では,最大プーリングを超越した,トレーニング不要で構造を考慮した画像レベルのスコアリング手法であるStructCoreを提案する。
• 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: Max pooling is the de facto standard for converting anomaly score maps into image-level decisions in memory-bank-based unsupervised anomaly detection (UAD). However, because it relies on a single extreme response, it discards most information about how anomaly evidence is distributed and structured across the image, often causing normal and anomalous scores to overlap. We propose StructCore, a training-free, structure-aware image-level scoring method that goes beyond max pooling. Given an anomaly score map, StructCore computes a low-dimensional structural descriptor phi(S) that captures distributional and spatial characteristics, and refines image-level scoring via a diagonal Mahalanobis calibration estimated from train-good samples, without modifying pixel-level localization. StructCore achieves image-level AUROC scores of 99.6% on MVTec AD and 98.4% on VisA, demonstrating robust image-level anomaly detection by exploiting structural signatures missed by max pooling.
• Abstract（参考訳）: 最大プーリングは、メモリバンクベースの教師なし異常検出(UAD)において、異常スコアマップを画像レベルの決定に変換するデファクトスタンダードである。 しかし、1つの極端な反応に依存するため、異常な証拠がどう分散され、画像全体に構造化されているかについて、ほとんどの情報を捨て、通常と異常のスコアが重複することが多い。 本研究では,最大プーリングを超越した,トレーニング不要で構造を考慮した画像レベルのスコアリング手法であるStructCoreを提案する。 異常スコアマップが与えられたとき、StructCoreは、分布特性と空間特性をキャプチャする低次元構造記述子phi(S)を計算し、画素レベルのローカライゼーションを変更することなく、電車のサンプルから推定される対角的なマハラノビス校正によって画像レベルのスコアを洗練する。 StructCoreは、MVTec ADで99.6%、VisAで98.4%の画像レベルのAUROCスコアを達成し、最大プーリングで見逃された構造的シグネチャを利用して、堅牢な画像レベルの異常検出を実証している。

関連論文リスト

• Structural damage detection via hierarchical damage information with volumetric assessment [1.4470320778878742]
  構造的健康モニタリング(SHM)は、インフラの安全性と寿命を確保するために不可欠である。 本稿では,これらの課題に対処するためのフレームワークであるGuided-DetNetについて紹介する。 Guided-DetNetの特徴は、GAM(Generative Attention Module)、階層的除去アルゴリズム(Hierarchical Elimination Algorithm)、VCVA(Volumetric Contour Visual Assessment)である。
  論文  参考訳（メタデータ） (2024-07-29T04:33:04Z)
• A Hierarchically Feature Reconstructed Autoencoder for Unsupervised Anomaly Detection [8.512184778338806]
  それは、階層的な特徴表現を抽出するための十分に訓練されたエンコーダと、これらの中間的特徴をエンコーダから再構成するデコーダで構成されている。 復号器が機能再構成に失敗すると異常を検知し、階層的特徴再構成の誤差を異常マップに集約して異常局所化を実現する。 実験の結果,提案手法はMNIST, Fashion-MNIST, CIFAR-10, MVTec異常検出データセットにおいて,最先端の手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-05-15T07:20:27Z)
• DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
  本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。 画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-12-11T18:38:28Z)
• U-Flow: A U-shaped Normalizing Flow for Anomaly Detection with Unsupervised Threshold [0.40964539027092906]
  画像中の異常セグメンテーションのための一級自己教師方式を提案する。 現代の機械学習アプローチと、より古典的な統計的検出理論の恩恵を受けている。 提案手法は、すべてのメトリクスとすべてのデータセットに対して最先端の結果を生成する。
  論文  参考訳（メタデータ） (2022-11-22T15:43:19Z)
• Occlusion-Aware Instance Segmentation via BiLayer Network Architectures [73.45922226843435]
  本稿では,2層畳み込みネットワーク(BCNet)を提案する。このネットワークでは,トップ層がオブジェクト(オブオーバ)を検出し,ボトム層が部分的にオブオーバドされたインスタンス(オブオーバド)を推測する。 一般的な畳み込みネットワーク設計,すなわちFCN(Fully Convolutional Network)とGCN(Graph Convolutional Network)を用いた2層構造の有効性について検討する。
  論文  参考訳（メタデータ） (2022-08-08T21:39:26Z)
• 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)
• AnoViT: Unsupervised Anomaly Detection and Localization with Vision Transformer-based Encoder-Decoder [3.31490164885582]
  我々は,画像パッチ間のグローバルな関係を学習することにより,通常の情報を反映する視覚変換器を用いたエンコーダデコーダモデルAnoViTを提案する。 提案モデルは,3つのベンチマークデータセット上での畳み込みモデルよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2022-03-21T09:01:37Z)
• Unsupervised Learning of Multi-level Structures for Anomaly Detection [16.037822355038443]
  本稿では,グローバル構造を分解して異常データを生成する新しい手法を提案する。 様々なレベルの局所的な異常構造を効果的に露呈することができる。 全てのレベル固有検出器の出力を集約することにより、すべての潜在的な異常を検知できるモデルを得る。
  論文  参考訳（メタデータ） (2021-04-25T08:38:41Z)
• Self-Learning with Rectification Strategy for Human Parsing [73.06197841003048]
  擬似ラベルの2つの典型的な誤りを補正する訓練可能なグラフ推論法を提案する。 再構成された特徴は、人体のトポロジー構造を表現する能力が強い。 本手法は、教師付き人間の解析作業において、他の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2020-04-17T03:51:30Z)
• High-Order Information Matters: Learning Relation and Topology for Occluded Person Re-Identification [84.43394420267794]
  本稿では,高次関係とトポロジ情報を識別的特徴とロバストなアライメントのために学習し,新しい枠組みを提案する。 我々のフレームワークはOccluded-Dukeデータセットで最先端の6.5%mAPスコアを大幅に上回っている。
  論文  参考訳（メタデータ） (2020-03-18T12:18:35Z)
• Weakly-Supervised Salient Object Detection via Scribble Annotations [54.40518383782725]
  本稿では,スクリブルラベルからサリエンシを学習するための弱教師付きサリエント物体検出モデルを提案する。 そこで本研究では,予測されたサリエンシマップの構造アライメントを測定するために,新しい尺度であるサリエンシ構造尺度を提案する。 我々の手法は、既存の弱教師付き/非教師付き手法よりも優れているだけでなく、いくつかの完全教師付き最先端モデルと同等である。
  論文  参考訳（メタデータ） (2020-03-17T12:59:50Z)

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。