論文の概要: Dual Distillation for Few-Shot Anomaly Detection

• arxiv url: http://arxiv.org/abs/2603.01713v1
• Date: Mon, 02 Mar 2026 10:38:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-03 19:50:56.82206
• Title: Dual Distillation for Few-Shot Anomaly Detection
• Title（参考訳）: Few-Shot 異常検出のための二重蒸留法
• Authors: Le Dong, Qinzhong Tan, Chunlei Li, Jingliang Hu, Yilei Shi, Weisheng Dong, Xiao Xiang Zhu, Lichao Mou,
• Abstract要約: 異常検出はコンピュータビジョンにおいて重要な課題であり、医用画像に深く影響している。 D$2$4FADは,数発の異常検出のための新しい二重蒸留フレームワークである。 本手法は,少数の基準画像のみを用いて,未確認タスクにおける異常を同定する。
• 参考スコア（独自算出の注目度）: 41.127862518102425
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Anomaly detection is a critical task in computer vision with profound implications for medical imaging, where identifying pathologies early can directly impact patient outcomes. While recent unsupervised anomaly detection approaches show promise, they require substantial normal training data and struggle to generalize across anatomical contexts. We introduce D$^2$4FAD, a novel dual distillation framework for few-shot anomaly detection that identifies anomalies in previously unseen tasks using only a small number of normal reference images. Our approach leverages a pre-trained encoder as a teacher network to extract multi-scale features from both support and query images, while a student decoder learns to distill knowledge from the teacher on query images and self-distill on support images. We further propose a learn-to-weight mechanism that dynamically assesses the reference value of each support image conditioned on the query, optimizing anomaly detection performance. To evaluate our method, we curate a comprehensive benchmark dataset comprising 13,084 images across four organs, four imaging modalities, and five disease categories. Extensive experiments demonstrate that D$^2$4FAD significantly outperforms existing approaches, establishing a new state-of-the-art in few-shot medical anomaly detection. Code is available at https://github.com/ttttqz/D24FAD.
• Abstract（参考訳）: 異常検出はコンピュータビジョンにおいて重要な課題であり、医療画像に深く影響する。 最近の教師なし異常検出アプローチは有望であることを示しているが、それらはかなりの通常の訓練データを必要とし、解剖学的文脈をまたいだ一般化に苦慮している。 D$^2$4FADは,ごく少数の基準画像のみを用いて,未確認タスクにおける異常を識別する,数発の異常検出のための新しい二重蒸留フレームワークである。 提案手法では,教師ネットワークとして事前学習したエンコーダを用いて,サポート画像とクエリ画像の両方からマルチスケールの特徴を抽出する。 さらに,クエリ上で条件付けられた各サポートイメージの参照値を動的に評価し,異常検出性能を最適化する学習から軽量化機構を提案する。 本手法を評価するため,4臓器に13,084枚の画像,4つの画像モダリティ,5つの疾患カテゴリからなる総合的なベンチマークデータセットをキュレートした。 大規模な実験により、D$2$4FADは既存のアプローチを著しく上回り、数発の医療異常検出において新たな最先端技術を確立した。 コードはhttps://github.com/ttttqz/D24FAD.comで入手できる。

関連論文リスト

• Foundation Visual Encoders Are Secretly Few-Shot Anomaly Detectors [58.75916798814376]
  FoundADと呼ばれる数発の異常検出装置を開発した。 画像中の異常量は学習した埋め込みの差と直接相関する。 簡単な演算子は、画像中の分布外領域を特徴付け識別する異常検出の有効なツールとして機能する。
  論文  参考訳（メタデータ） (2025-10-02T11:53:20Z)
• OCSVM-Guided Representation Learning for Unsupervised Anomaly Detection [1.0190194769786831]
  Unsupervised Anomaly Detection (UAD) は、ラベル付きデータなしで異常を検出することを目的としている。 解析的に解ける一級SVMを用いて表現学習を緊密に結合する新しい手法を提案する。 このモデルは、MNIST-Cに基づく新しいベンチマークと、挑戦的な脳MRI微妙な病変検出タスクの2つのタスクで評価されている。
  論文  参考訳（メタデータ） (2025-07-25T13:00:40Z)
• Spatial-aware Attention Generative Adversarial Network for Semi-supervised Anomaly Detection in Medical Image [63.59114880750643]
  本稿では,一級半教師付き健康画像生成のための空間意識生成ネットワーク(SAGAN)について紹介する。 SAGANは、正常な画像の復元と擬似異常画像の復元によって導かれる、ラベルのないデータに対応する高品質な健康画像を生成する。 3つの医学データセットに対する大規模な実験は、提案されたSAGANが最先端の手法よりも優れていることを示した。
  論文  参考訳（メタデータ） (2024-05-21T15:41:34Z)
• Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
  本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。 提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。 医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2024-03-19T09:28:19Z)
• Benchmarking Pretrained Vision Embeddings for Near- and Duplicate Detection in Medical Images [0.6827423171182154]
  本稿では,2次元コンピュータビジョンの埋め込みを利用した近距離・重複3次元医用画像の同定手法を提案する。 公開されているメディカルデスロンデータセットに基づいて,実験的なベンチマークを生成する。
  論文  参考訳（メタデータ） (2023-12-12T13:52:55Z)
• Detecting Heart Disease from Multi-View Ultrasound Images via Supervised Attention Multiple Instance Learning [5.201499435914216]
  大動脈狭窄症 (Aortic stenosis, AS) は変性弁の状態であり、かなりの死亡率と死亡率を引き起こす。 AS検出に対する従来のアプローチでは、画像間の非フレキシブル平均に依存するため、精度が不十分であった。 2つの重要な方法論的革新とともに、新しいエンドツーエンドのMILアプローチに貢献する。
  論文  参考訳（メタデータ） (2023-05-25T18:22:12Z)
• Unveiling the Unseen: A Comprehensive Survey on Explainable Anomaly Detection in Images and Videos [49.07140708026425]
  画像やビデオを含む視覚データの異常検出とローカライゼーションは、機械学習や現実世界のアプリケーションにおいて不可欠である。 本稿では,説明可能な2次元視覚異常検出(X-VAD)に焦点を当てた初の包括的調査を行う。 本稿では,その基礎技術によって分類された説明可能な手法の文献レビューを行う。 我々は、将来的な方向性と、説明品質の定量化を含むオープンな問題について議論する。
  論文  参考訳（メタデータ） (2023-02-13T20:17:41Z)
• The role of noise in denoising models for anomaly detection in medical images [62.0532151156057]
  病理脳病変は脳画像に多彩な外観を示す。 正規データのみを用いた教師なし異常検出手法が提案されている。 空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-01-19T21:39:38Z)
• Learning Discriminative Representation via Metric Learning for Imbalanced Medical Image Classification [52.94051907952536]
  本稿では,特徴抽出器がより識別的な特徴表現を抽出するのを助けるために,2段階フレームワークの第1段階にメトリック学習を組み込むことを提案する。 主に3つの医用画像データセットを用いて実験したところ、提案手法は既存の1段階と2段階のアプローチより一貫して優れていた。
  論文  参考訳（メタデータ） (2022-07-14T14:57:01Z)
• Anomaly Detection in Medical Imaging with Deep Perceptual Autoencoders [1.7277957019593995]
  画像異常検出の新しい強力な手法を提案する。 これは、再設計されたトレーニングパイプラインを備えた古典的なオートエンコーダアプローチに依存している。 複雑な医用画像解析タスクにおける最先端のアプローチよりも優れています。
  論文  参考訳（メタデータ） (2020-06-23T18:45:55Z)

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。