論文の概要: URA-Net: Uncertainty-Integrated Anomaly Perception and Restoration Attention Network for Unsupervised Anomaly Detection

• arxiv url: http://arxiv.org/abs/2603.22840v1
• Date: Tue, 24 Mar 2026 06:27:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-25 19:53:37.331778
• Title: URA-Net: Uncertainty-Integrated Anomaly Perception and Restoration Attention Network for Unsupervised Anomaly Detection
• Title（参考訳）: URA-Net: 教師なし異常検出のための不確実性侵入型異常認識と回復注意ネットワーク
• Authors: Wei Luo, Peng Xing, Yunkang Cao, Haiming Yao, Weiming Shen, Zechao Li,
• Abstract要約: 産業欠陥検査や医用画像解析において,教師なし異常検出は重要な役割を担っている。 革新的不確実性統合型異常知覚・回復注意ネットワーク(URA-Net)を提案する。 URA-Netは、異常パターンを対応する正常性に明示的に復元する。
• 参考スコア（独自算出の注目度）: 39.726620725567585
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unsupervised anomaly detection plays a pivotal role in industrial defect inspection and medical image analysis, with most methods relying on the reconstruction framework. However, these methods may suffer from over-generalization, enabling them to reconstruct anomalies well, which leads to poor detection performance. To address this issue, instead of focusing solely on normality reconstruction, we propose an innovative Uncertainty-Integrated Anomaly Perception and Restoration Attention Network (URA-Net), which explicitly restores abnormal patterns to their corresponding normality. First, unlike traditional image reconstruction methods, we utilize a pre-trained convolutional neural network to extract multi-level semantic features as the reconstruction target. To assist the URA-Net learning to restore anomalies, we introduce a novel feature-level artificial anomaly synthesis module to generate anomalous samples for training. Subsequently, a novel uncertainty-integrated anomaly perception module based on Bayesian neural networks is introduced to learn the distributions of anomalous and normal features. This facilitates the estimation of anomalous regions and ambiguous boundaries, laying the foundation for subsequent anomaly restoration. Then, we propose a novel restoration attention mechanism that leverages global normal semantic information to restore detected anomalous regions, thereby obtaining defect-free restored features. Finally, we employ residual maps between input features and restored features for anomaly detection and localization. The comprehensive experimental results on two industrial datasets, MVTec AD and BTAD, along with a medical image dataset, OCT-2017, unequivocally demonstrate the effectiveness and superiority of the proposed method.
• Abstract（参考訳）: 産業的欠陥検査や医用画像解析において, 教師なし異常検出は重要な役割を担っている。 しかし、これらの手法は過剰な一般化に悩まされ、異常を適切に再構築することができ、検出性能が低下する可能性がある。 そこで本研究では, 正規性復元のみに焦点をあてるのではなく, 異常パターンを正常性に明示的に復元する, 新規な異常認識・回復注意ネットワーク(URA-Net)を提案する。 まず、従来の画像再構成法とは異なり、事前訓練された畳み込みニューラルネットワークを用いて、再構成対象として多段階の意味的特徴を抽出する。 URA-Net学習が異常を回復するのを助けるために,新しい特徴レベル人工異常合成モジュールを導入し,トレーニング用異常サンプルを生成する。 その後、ベイズニューラルネットワークに基づく新しい不確実性統合された異常知覚モジュールを導入し、異常な特徴と正常な特徴の分布を学習する。 これにより異常領域と曖昧な境界の推定が容易になり、その後の異常回復の基礎を築いた。 そこで本研究では,グローバルな正規意味情報を利用して検出された異常領域を復元し,欠陥のない復元特徴を得る新しい復元注意機構を提案する。 最後に,入力特徴と復元特徴との間の残差マップを用いて異常検出と局所化を行う。 MVTec AD と BTAD の2つの産業用データセットに対する総合的な実験結果と医療用画像データセット OCT-2017 は、提案手法の有効性と優越性を明白に示している。

関連論文リスト

• Boosting Fine-Grained Visual Anomaly Detection with Coarse-Knowledge-Aware Adversarial Learning [16.296864509584346]
  本稿では,再構成された特徴の分布と通常の特徴の分布を一致させるために,粗い知識を意識した対向学習法を開発した。 このアライメントは、自動エンコーダの異常に対する再構成能力を効果的に抑制し、検出精度を向上させる。 パッチレベルの異常情報は得られていないが、提案手法は、再構成されたパッチ特徴の分布を通常のものと整合させることができることを厳密に証明する。
  論文  参考訳（メタデータ） (2024-12-17T12:24:08Z)
• Neural Network Training Strategy to Enhance Anomaly Detection Performance: A Perspective on Reconstruction Loss Amplification [2.7503452586560484]
  非教師なし異常検出(UAD)は、まれな異常発生とデータ不均衡により、業界で広く採用されているアプローチである。 近年の研究では、異なる視点からの再構築において、それらの UAD モデルの一般化能力を含めることが試みられている。 そこで我々は,ロスアンプリフィケーション(Loss AMPlification)と呼ばれる再構成損失を増幅することにより,損失景観の鮮明化手法を提案する。
  論文  参考訳（メタデータ） (2023-08-28T14:06:36Z)
• Generalizable Industrial Visual Anomaly Detection with Self-Induction Vision Transformer [5.116033262865781]
  産業用視覚異常検出・局所化のための自己誘導型視覚変換器(SIVT)を提案する。 提案したSIVTは、まず、事前学習したCNNからプロパティ記述子として識別特徴を抽出し、抽出した特徴を自己監督的に再構成する。 その結果,AUROCでは2.8-6.3,APでは3.3-7.6の改善により,最先端検出性能を向上できることがわかった。
  論文  参考訳（メタデータ） (2022-11-22T14:56:12Z)
• 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)

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。