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
• Authors: Mingxiu Cai, Zhe Zhang, Gaochang Wu, Tianyou Chai, Xiatian Zhu,
• 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

• 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)
• 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)
• 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。