論文の概要: RAID: Retrieval-Augmented Anomaly Detection

• arxiv url: http://arxiv.org/abs/2602.19611v1
• Date: Mon, 23 Feb 2026 08:54:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-24 17:42:02.73684
• Title: RAID: Retrieval-Augmented Anomaly Detection
• Title（参考訳）: RAID:検索機能強化された異常検出
• Abstract要約: RAIDは、ノイズ耐性の異常検出と局所化のために設計された検索拡張UADフレームワークである。 RAIDは階層ベクトルデータベースからクラス、セマンティック、インスタンスレベルの表現を取得する。 RAIDはMVTec、VisA、MPDD、BTADベンチマークのフルショット、少数ショット、マルチデータセット設定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）: 67.48358323718817
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unsupervised Anomaly Detection (UAD) aims to identify abnormal regions by establishing correspondences between test images and normal templates. Existing methods primarily rely on image reconstruction or template retrieval but face a fundamental challenge: matching between test images and normal templates inevitably introduces noise due to intra-class variations, imperfect correspondences, and limited templates. Observing that Retrieval-Augmented Generation (RAG) leverages retrieved samples directly in the generation process, we reinterpret UAD through this lens and introduce \textbf{RAID}, a retrieval-augmented UAD framework designed for noise-resilient anomaly detection and localization. Unlike standard RAG that enriches context or knowledge, we focus on using retrieved normal samples to guide noise suppression in anomaly map generation. RAID retrieves class-, semantic-, and instance-level representations from a hierarchical vector database, forming a coarse-to-fine pipeline. A matching cost volume correlates the input with retrieved exemplars, followed by a guided Mixture-of-Experts (MoE) network that leverages the retrieved samples to adaptively suppress matching noise and produce fine-grained anomaly maps. RAID achieves state-of-the-art performance across full-shot, few-shot, and multi-dataset settings on MVTec, VisA, MPDD, and BTAD benchmarks. \href{https://github.com/Mingxiu-Cai/RAID}{https://github.com/Mingxiu-Cai/RAID}.
• Abstract（参考訳）: Unsupervised Anomaly Detection (UAD) は、テスト画像と通常のテンプレートとの対応を確立することで異常領域を識別することを目的としている。 既存の手法は主に画像再構成やテンプレート検索に頼っているが、テストイメージと通常のテンプレートのマッチングは必然的に、クラス内のバリエーション、不完全な対応、限られたテンプレートによってノイズを発生させるという根本的な課題に直面している。 Retrieval-Augmented Generation (RAG) が生成過程において得られたサンプルを直接利用するのを見て、このレンズを通してUADを再解釈し、ノイズ耐性の異常検出とローカライゼーションのために設計された検索拡張 UAD フレームワークである \textbf{RAID} を導入する。 文脈や知識を豊かにする標準的なRAGとは違って,検索した正規サンプルを用いて異常マップ生成におけるノイズ抑制を導出することに注力する。 RAIDは階層ベクトルデータベースからクラス、セマンティック、インスタンスレベルの表現を取得し、粗いパイプラインを形成する。 マッチングコストボリュームは、入力を検索した例と相関し、次いで、検索したサンプルを活用して、適応的に一致したノイズを抑え、きめ細かな異常マップを生成するガイド付きMixture-of-Experts (MoE)ネットワークが続く。 RAIDはMVTec、VisA、MPDD、BTADベンチマークのフルショット、少数ショット、マルチデータセット設定で最先端のパフォーマンスを達成する。 Mingxiu-Cai/RAID}{https://github.com/Mingxiu-Cai/RAID}

関連論文リスト

• WIDE: Wildcard Inference with Dynamic Expansion for Cross-Modal Generative Retrieval [11.681276883454288]
  クロスモーダル検索における強制幻覚の問題を解決するために,動的拡張を用いたワイルドカード推論(WIDE)を提案する。 復号生成フェーズでは、非対称性を意識したワイルドカード復号(AWD)が意味的な盲点を検出し、強制決定的な識別子の代わりにワイルドカードを出力する。 BSR(Blind-Spot Re- rank)は、離散生成信頼度と連続的な意味的類似性を組み合わせたハイブリッドスコアリング機構を用いて、拡張候補プールを評価する。
  論文  参考訳（メタデータ） (2026-09-03T08:55:05Z)
• CORE: In-Context Reconstruction for Unified Tabular Anomaly Detection [50.334454857423395]
  統合異常検出(TAD)への新たなトレンドは、単一の一般化可能なモデルを使用して、異なるデータセットにわたる異常を検出することにある。 統合型TAD(CORE for Short)のための文書内再構成手法を提案する。 COREは、TADをコンテキスト内再構成問題として統一し、ラベル付きまたは合成された異常を除去する。
  論文  参考訳（メタデータ） (2026-07-30T03:08:49Z)
• Adaptive Guidance for Retrieval-Augmented Masked Diffusion Models [60.25003813232697]
  本稿では,Masked Diffusion Models (MDMs) のトレーニング自由適応ガイダンスフレームワークとして,適応検索型Masked Diffusion (ARAM) を提案する。 ARAMは、検索した文脈によって誘導される分布シフトのSNR(Signal-to-Noise Ratio)に従って、雑音発生時の誘導スケールを校正する。 複数の知識集約型QAベンチマークの実験は、ARAMが競争力のあるRAGベースラインよりも全体的なQA性能を改善することを示している。
  論文  参考訳（メタデータ） (2026-03-18T12:54:50Z)
• Mitigating Memorization in Text-to-Image Diffusion via Region-Aware Prompt Augmentation and Multimodal Copy Detection [53.789057575175065]
  領域認識型prompt Augmentation(RAPTA)とAttention-Driven Multimodal Copy Detection(ADMCD)を示す。 RAPTAはオブジェクト検出器を使用して、正常な領域を見つけ、それらを意味論的に接地したプロンプトの変種に変換する。 ADMCDは、ローカルパッチ、グローバルセマンティック、テクスチャキューを軽量トランスフォーマーで集約し、融合表現を生成する。 実験により、RAPTAは高い合成品質を維持しながら過度な適合を減少させ、ADMCDはコピーを確実に検出し、単一モードの指標より優れることが示された。
  論文  参考訳（メタデータ） (2026-03-13T15:16:27Z)
• Unified Unsupervised Anomaly Detection via Matching Cost Filtering [113.43366521994396]
  教師なし異常検出(UAD)は、通常のトレーニングデータのみを用いて画像レベルの異常と画素レベルの異常を識別することを目的としている。 UADモデルの異常コスト量を補正するための汎用的なポストホック精錬フレームワークであるUnified Cost Filtering (UCF) を提案する。
  論文  参考訳（メタデータ） (2025-10-03T03:28:18Z)
• Few-Shot Pattern Detection via Template Matching and Regression [52.79291493477272]
  本稿では,テンプレートマッチングと回帰に基づく簡易かつ効果的な検出器TMRを提案する。 凍結したバックボーンの上に少数の学習可能な畳み込み層や投射層を持つ最小限の構造を通して、経験者の空間的レイアウトを効果的に保存し、活用する。 提案手法は, RPINE, FSCD-147, FSCD-LVISの3つのベンチマークにおける最先端手法よりも優れ, クロスデータセット評価において強い一般化を示す。
  論文  参考訳（メタデータ） (2025-08-25T03:52:42Z)
• Learning Normal Patterns in Musical Loops [0.0]
  本稿では,音楽サンプル(ループ)の音響パターンを異常検出により検出するための教師なしフレームワークを提案する。 深部特徴抽出と教師なし異常検出を組み合わせたアーキテクチャにより,これらの制約に対処する。
  論文  参考訳（メタデータ） (2025-05-22T19:52:00Z)
• CostFilter-AD: Enhancing Anomaly Detection through Matching Cost Filtering [64.24198178156627]
  非教師付き異常検出(UAD)は、通常のサンプルに対して入力画像の異常マスクをローカライズしようとする。 古典的マッチングタスクから借用したコストフィルタリングの概念をUAD問題に導入する。 本稿では,複数の特徴層にまたがるアテンションクエリとして,入力観測によって導かれるコストボリュームフィルタリングネットワークを提案する。
  論文  参考訳（メタデータ） (2025-05-02T14:52:34Z)
• UMAD: University of Macau Anomaly Detection Benchmark Dataset [26.25955201927986]
  本稿では,ロボットパトロールシナリオにおける参照による異常検出のための最初のベンチマークデータセットを紹介する。 提案するベンチマークデータセットは,ロボットの正確な位置推定に基づいて,各クエリ画像が対応する参照を見つけることができるよう精査されている。 提案するベンチマークデータセットに加えて,このデータセットに基づいてADrのベースラインモデルを評価する。
  論文  参考訳（メタデータ） (2024-08-22T16:32:19Z)
• Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
  本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。 さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。 提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
  論文  参考訳（メタデータ） (2023-11-27T13:14:06Z)
• Hard-normal Example-aware Template Mutual Matching for Industrial Anomaly Detection [78.734927709231]
  異常検出器は、クエリー画像の未知の欠陥を検出し、ローカライズするために工業製造で広く使われている。 これらの検出器は異常のないサンプルで訓練され、ほとんどの通常のサンプルと区別された異常を成功させた。 しかし、ハードノーマルな例は、ほとんどの通常のサンプルから遠く離れており、しばしば既存の方法によって異常と誤認される。
  論文  参考訳（メタデータ） (2023-03-28T17:54:56Z)
• Embedding contrastive unsupervised features to cluster in- and out-of-distribution noise in corrupted image datasets [18.19216557948184]
  Web画像検索に検索エンジンを使用することは、イメージデータセットを作成する際の手作業によるキュレーションに代わる誘惑的な手段である。 主な欠点は、回収された間違った(ノイズの多い)サンプルの割合である。 本稿では,教師なしのコントラスト特徴学習を用いた検出ステップから始める2段階のアルゴリズムを提案する。 比較学習のアライメントと均一性原理により,OODサンプルは単位超球面上のIDサンプルから線形に分離できることがわかった。
  論文  参考訳（メタデータ） (2022-07-04T16:51:56Z)
• 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)
• Towards Robust Adaptive Object Detection under Noisy Annotations [40.25050610617893]
  既存のメソッドでは、ソースドメインラベルは完全にクリーンだが、大規模なデータセットにはインスタンスの曖昧さのためにエラーが発生しやすいアノテーションが含まれることが多い。 本稿では,この問題に対処するためのノイズ遅延伝達可能性探索フレームワークを提案する。 NLTEは、60%の破損したアノテーションの下でmAPを8.4%改善し、クリーンソースデータセットでのトレーニングの理想的な上限にアプローチする。
  論文  参考訳（メタデータ） (2022-04-06T07:02:37Z)

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。