論文の概要: Improving Anomaly Detection with Foundation-Model Synthesis and Wavelet-Domain Attention

• arxiv url: http://arxiv.org/abs/2603.02964v1
• Date: Tue, 03 Mar 2026 13:17:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-04 21:38:10.810483
• Title: Improving Anomaly Detection with Foundation-Model Synthesis and Wavelet-Domain Attention
• Title（参考訳）: 基礎モデル合成とウェーブレット領域注意による異常検出の改善
• Authors: Wensheng Wu, Zheming Lu, Ziqian Lu, Zewei He, Xuecheng Sun, Zhao Wang, Jungong Han, Yunlong Yu,
• Abstract要約: 異常合成パイプライン(FMAS)は、微調整やクラス固有の訓練をすることなく、非常に現実的な異常サンプルを生成する。 Wavelet Domain Attention Module (WDAM) は適応サブバンド処理を利用して異常特徴抽出を強化する。
• 参考スコア（独自算出の注目度）: 54.73850941855912
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Industrial anomaly detection faces significant challenges due to the scarcity of anomalous samples and the complexity of real-world anomalies. In this paper, we propose a foundation model-based anomaly synthesis pipeline (FMAS) that generates highly realistic anomalous samples without fine-tuning or class-specific training. Motivated by the distinct frequency-domain characteristics of anomalies, we introduce aWavelet Domain Attention Module (WDAM), which exploits adaptive sub-band processing to enhance anomaly feature extraction. The combination of FMAS and WDAM significantly improves anomaly detection sensitivity while maintaining computational efficiency. Comprehensive experiments on MVTec AD and VisA datasets demonstrate that WDAM, as a plug-and-play module, achieves substantial performance gains against existing baselines.
• Abstract（参考訳）: 産業異常検出は、異常サンプルの不足と現実世界の異常の複雑さのために重大な課題に直面している。 本稿では,ファウンデーションモデルに基づく異常合成パイプライン (FMAS) を提案する。 異常の周波数領域の特徴から,適応サブバンド処理を利用して異常特徴抽出を高速化するaWavelet Domain Attention Module (WDAM)を導入する。 FMASとWDAMの組み合わせは、計算効率を維持しながら異常検出感度を著しく向上させる。 MVTec ADとVisAデータセットに関する総合的な実験により、WDAMはプラグイン・アンド・プレイモジュールであり、既存のベースラインに対して大幅にパフォーマンスが向上することを示した。

関連論文リスト

• Spectral Regularization for Diffusion Models [14.919876123456747]
  本稿では,異なるフーリエ領域とウェーブレット領域の損失で標準拡散訓練を増強するロスレベルスペクトル正規化フレームワークを提案する。 提案手法はDDPM, DDIM, EDMの定式化と互換性があり, 計算オーバーヘッドが無視できる。
  論文  参考訳（メタデータ） (2026-03-02T22:39:02Z)
• 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)
• Frequency Domain-Based Diffusion Model for Unpaired Image Dehazing [92.61216319417208]
  そこで本稿では,未確認データにおける有益な知識を十分に活用するための,新しい周波数領域ベース拡散モデルを提案する。 拡散モデル(DM)が示す強い生成能力に着想を得て,周波数領域再構成の観点からデハージング課題に取り組む。
  論文  参考訳（メタデータ） (2025-07-02T01:22:46Z)
• Strengthening Anomaly Awareness [0.0]
  我々は、教師なし異常検出の強化を目的とした、異常認識フレームワークの洗練されたバージョンを提案する。 本稿では,2段階のトレーニング戦略を通じて,変分オートエンコーダ(VAE)の最小限の監視を導入する。
  論文  参考訳（メタデータ） (2025-04-15T16:52:22Z)
• Generating and Reweighting Dense Contrastive Patterns for Unsupervised Anomaly Detection [59.34318192698142]
  我々は、先行のない異常発生パラダイムを導入し、GRADと呼ばれる革新的な教師なし異常検出フレームワークを開発した。 PatchDiffは、様々な種類の異常パターンを効果的に公開する。 MVTec ADとMVTec LOCOデータセットの両方の実験も、前述の観測をサポートする。
  論文  参考訳（メタデータ） (2023-12-26T07:08:06Z)
• AnomalyDiffusion: Few-Shot Anomaly Image Generation with Diffusion Model [59.08735812631131]
  製造業において異常検査が重要な役割を担っている。 既存の異常検査手法は、異常データが不足しているため、その性能に制限がある。 本稿では,新しい拡散型マイクロショット異常生成モデルであるAnomalyDiffusionを提案する。
  論文  参考訳（メタデータ） (2023-12-10T05:13:40Z)
• Learning Multi-Pattern Normalities in the Frequency Domain for Efficient Time Series Anomaly Detection [37.992737349167676]
  時系列異常検出のための周波数領域における多重正規パターン対応異常検出手法を提案する。 i) 統一モデルで多様な正規パターンを扱うのに優れたパターン抽出機構、(ii) 時間領域における短期異常を増幅し周波数領域における異常の再構築を妨げる双対的畳み込み機構、(iii) 周波数領域のスパーシリティと並列性を活用してモデル効率を向上させる。
  論文  参考訳（メタデータ） (2023-11-26T03:31:43Z)
• 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)
• Prototypical Residual Networks for Anomaly Detection and Localization [80.5730594002466]
  本稿では,PRN(Prototypeal Residual Network)というフレームワークを提案する。 PRNは、異常領域の分割マップを正確に再構築するために、異常領域と正常パターンの間の様々なスケールとサイズの特徴的残差を学習する。 異常を拡大・多様化するために,見かけの相違と外観の相違を考慮に入れた様々な異常発生戦略を提示する。
  論文  参考訳（メタデータ） (2022-12-05T05:03:46Z)
• Self-Supervised Guided Segmentation Framework for Unsupervised Anomaly Detection [24.26958675342856]
  産業アプリケーションでは、教師なし異常検出は難しい課題である。 偽検体と実検体の間の分布ギャップは、偽検体に基づいて訓練されたモデルが実検体を効果的に見つけるのを困難にしている。 SGSF(Self-Supervised Guided Framework)は,異常検出のためのセグメンテーションのガイダンス情報として,鍛造された異常サンプルと通常のサンプル特徴を生成するために提案されている。
  論文  参考訳（メタデータ） (2022-09-26T06:14:56Z)

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。