論文の概要: Exploring Multimodal Prompts For Unsupervised Continuous Anomaly Detection

• arxiv url: http://arxiv.org/abs/2603.21562v1
• Date: Mon, 23 Mar 2026 04:33:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.484154
• Title: Exploring Multimodal Prompts For Unsupervised Continuous Anomaly Detection
• Title（参考訳）: 教師なし連続異常検出のためのマルチモーダルプロンプトの探索
• Authors: Mingle Zhou, Jiahui Liu, Jin Wan, Gang Li, Min Li,
• Abstract要約: マルチモーダルプロンプトに基づく教師なし連続異常検出フレームワークを提案する。 具体的には,CMPMB(Continuous Multimodal Prompt Memory Bank)を提案する。 また, 適応正規化モジュール (ANM) と動的融合戦略 (DFS) を統合し, 検出精度と対向ロバスト性を両立させるDefect-Semantic-Guided Adaptive Fusion Mechanism (DSG-AFM) を考案した。
• 参考スコア（独自算出の注目度）: 12.745823680495887
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unsupervised Continuous Anomaly Detection (UCAD) is gaining attention for effectively addressing the catastrophic forgetting and heavy computational burden issues in traditional Unsupervised Anomaly Detection (UAD). However, existing UCAD approaches that rely solely on visual information are insufficient to capture the manifold of normality in complex scenes, thereby impeding further gains in anomaly detection accuracy. To overcome this limitation, we propose an unsupervised continual anomaly detection framework grounded in multimodal prompting. Specifically, we introduce a Continual Multimodal Prompt Memory Bank (CMPMB) that progressively distills and retains prototypical normal patterns from both visual and textual domains across consecutive tasks, yielding a richer representation of normality. Furthermore, we devise a Defect-Semantic-Guided Adaptive Fusion Mechanism (DSG-AFM) that integrates an Adaptive Normalization Module (ANM) with a Dynamic Fusion Strategy (DFS) to jointly enhance detection accuracy and adversarial robustness. Benchmark experiments on MVTec AD and VisA datasets show that our approach achieves state-of-the-art (SOTA) performance on image-level AUROC and pixel-level AUPR metrics.
• Abstract（参考訳）: 非教師付き連続異常検出(UCAD)は、従来型の非教師付き異常検出(UAD)において、破滅的な忘れ込みと重度の計算負担問題に効果的に対処するために注目されている。 しかし、視覚情報のみに依存する既存のUCADアプローチは、複雑なシーンにおける正規性の多様体を捉えるには不十分であり、これにより異常検出精度がさらに向上する。 この制限を克服するために,マルチモーダルプロンプトに基づく教師なし連続異常検出フレームワークを提案する。 具体的には,CMPMB(Continuous Multimodal Prompt Memory Bank)を導入し,視覚領域とテキスト領域の両方から連続的なタスクを段階的に蒸留・維持し,よりリッチな正規性表現を実現する。 さらに, 適応正規化モジュール (ANM) と動的融合戦略 (DFS) を統合し, 検出精度と対向ロバスト性を両立させるDefect-Semantic-Guided Adaptive Fusion Mechanism (DSG-AFM) を考案した。 MVTec AD と VisA データセットのベンチマーク実験により,画像レベルの AUROC と画素レベルの AUPR 測定値に対して,我々の手法が最先端 (SOTA) の性能を達成することが示された。

関連論文リスト

• Steering and Rectifying Latent Representation Manifolds in Frozen Multi-modal LLMs for Video Anomaly Detection [52.5174167737992]
  ビデオ異常検出(VAD)は、ビデオ内の異常事象を特定することを目的としている。 本稿では,MLLMに基づくVADを受動的に読み上げから内部表現を積極的に操り,修正するSteerVADを提案する。 本手法は、トレーニングデータの1%しか必要としないチューニングフリーアプローチにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2026-02-27T13:48:50Z)
• ABounD: Adversarial Boundary-Driven Few-Shot Learning for Multi-Class Anomaly Detection [24.691181948844136]
  ABversaounDは、マルチクラス異常検出のためのAdrial Boundary-Driven few-shot Learningフレームワークである。 意味論的概念学習と意思決定境界形成を統合している。 MVTec-ADとVisAデータセットの実験は、最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-11-27T13:18:22Z)
• 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)
• Insight-LLM: LLM-enhanced Multi-view Fusion in Insider Threat Detection [9.040775027499265]
  インサイダー脅威検出に特化した,最初のモジュール型マルチビュー融合フレームワークであるInsight-LLMを提案する。 Insight-LLMは凍結前処理を採用し、低レイテンシとパラメータオーバーヘッドで最先端検出を実現する。
  論文  参考訳（メタデータ） (2025-09-01T14:31:12Z)
• AMAD: AutoMasked Attention for Unsupervised Multivariate Time Series Anomaly Detection [0.7371521417300614]
  AMADはUMTStextbfADシナリオに対するtextbfAutotextbfMasked Attentionを統合している。 AMADはUMTSADの課題に対して堅牢で適応可能なソリューションを提供する。
  論文  参考訳（メタデータ） (2025-04-09T07:32:59Z)
• Feature Attenuation of Defective Representation Can Resolve Incomplete Masking on Anomaly Detection [1.0358639819750703]
  教師なし異常検出(UAD)研究では、計算効率が高くスケーラブルなソリューションを開発する必要がある。 再建・塗り替えのアプローチを再考し、強みと弱みを分析して改善する。 異常再構成の特徴情報を減衰させる2つの層のみを用いるFADeR(Feature Attenuation of Defective Representation)を提案する。
  論文  参考訳（メタデータ） (2024-07-05T15:44:53Z)
• DACAD: Domain Adaptation Contrastive Learning for Anomaly Detection in Multivariate Time Series [83.76994646443498]
  時系列異常検出では、ラベル付きデータの不足が正確なモデルの開発に困難をもたらす。 時系列における異常検出のための新しいドメインコントラスト学習モデル(DACAD)を提案する。 本モデルでは,ソース領域に対する教師付きコントラスト損失と,ターゲット領域に対する自己監督型コントラスト型3重項損失を用いる。
  論文  参考訳（メタデータ） (2024-04-17T11:20:14Z)
• DMAD: Dual Memory Bank for Real-World Anomaly Detection [90.97573828481832]
  我々は、DMAD(Anomaly Detection)のための表現学習を強化したDual Memory Bankという新しいフレームワークを提案する。 DMADはデュアルメモリバンクを用いて特徴距離を計算し、正常パターンと異常パターンの間の特徴注意を計算している。 DMADをMVTec-ADおよびVisAデータセット上で評価した。
  論文  参考訳（メタデータ） (2024-03-19T02:16:32Z)
• Unsupervised Continual Anomaly Detection with Contrastively-learned Prompt [80.43623986759691]
  UCADと呼ばれる新しい非教師付き連続異常検出フレームワークを提案する。 このフレームワークは、対照的に学習したプロンプトを通じて、UDAに継続的な学習能力を持たせる。 我々は総合的な実験を行い、教師なし連続異常検出とセグメンテーションのベンチマークを設定した。
  論文  参考訳（メタデータ） (2024-01-02T03:37:11Z)

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。