論文の概要: Semantic Iterative Reconstruction: One-Shot Universal Anomaly Detection

• arxiv url: http://arxiv.org/abs/2603.23766v1
• Date: Tue, 24 Mar 2026 22:57:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-26 21:06:11.047783
• Title: Semantic Iterative Reconstruction: One-Shot Universal Anomaly Detection
• Title（参考訳）: 意味的反復再建 : ワンショットユニバーサル異常検出
• Authors: Ning Zhu,
• Abstract要約: 非監督的医学的異常検出は、正常なトレーニングサンプルの不足によって著しく制限される。 多様な医療領域にまたがる異常を1つの普遍モデルで検出できる枠組みを提案する。
• 参考スコア（独自算出の注目度）: 1.2916666285315344
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unsupervised medical anomaly detection is severely limited by the scarcity of normal training samples. Existing methods typically train dedicated models for each dataset or disease, requiring hundreds of normal images per task and lacking cross-modality generalization. We propose Semantic Iterative Reconstruction (SIR), a framework that enables a single universal model to detect anomalies across diverse medical domains using extremely few normal samples. SIR leverages a pretrained teacher encoder to extract multi-scale deep features and employs a compact up-then-down decoder with multi-loop iterative refinement to enforce robust normality priors in deep feature space. The framework adopts a one-shot universal design: a single model is trained by mixing exactly one normal sample from each of nine heterogeneous datasets, enabling effective anomaly detection on all corresponding test sets without task-specific retraining. Extensive experiments on nine medical benchmarks demonstrate that SIR achieves state-of-the-art under all four settings -- one-shot universal, full-shot universal, one-shot specialized, and full-shot specialized -- consistently outperforming previous methods. SIR offers an efficient and scalable solution for multi-domain clinical anomaly detection. Code is available at https://github.com/jusufzn212427/sir4ad.
• Abstract（参考訳）: 非監督的医学的異常検出は、正常なトレーニングサンプルの不足によって著しく制限される。 既存の方法では、データセットや疾患ごとに専用のモデルをトレーニングし、タスク毎に数百の通常のイメージを必要とし、モダリティの一般化を欠いている。 極めて少数のサンプルを用いて,多様な医療領域にまたがる異常を単一の普遍モデルで検出できるフレームワークであるSemantic Iterative Reconstruction (SIR)を提案する。 SIRは、訓練済みの教師エンコーダを利用して、マルチスケールの深い特徴を抽出し、マルチループイテレーティブな改善を施したコンパクトなアップザインダウンデコーダを用いて、深い特徴空間における堅牢な正規性を強制する。 単一のモデルは、9つの異種データセットのそれぞれから、正確に1つの正常なサンプルを混合して訓練され、タスク固有のリトレーニングなしで、対応するすべてのテストセットに対して効果的な異常検出を可能にする。 9つの医療ベンチマークに関する大規模な実験によると、SIRは全4つの設定(ワンショットユニバーサル、フルショットユニバーサル、ワンショットスペシャル、フルショットスペシャル)において、従来手法を一貫して上回っている。 SIRは、多領域臨床異常検出のための効率的でスケーラブルなソリューションを提供する。 コードはhttps://github.com/jusufzn212427/sir4adで入手できる。

関連論文リスト

• AnyAD: Unified Any-Modality Anomaly Detection in Incomplete Multi-Sequence MRI [16.227149608640477]
  本稿では,任意のMRIモダリティ・アベイラビリティの下で,ロバストな異常検出と局所化を行う,Any-Modality 異常検出フレームワークを提案する。 Intrinsic Normal Prototypes (INPs) extractorとINP-guided Decoderを導入し、正常な解剖学的パターンのみを再構成し、異常な偏差を自然に増幅する。 我々のアプローチは、7つのモダリティの組み合わせにまたがって、最先端の産業と医療のADベースラインを一貫して超越し、より優れた一般化を実現している。
  論文  参考訳（メタデータ） (2025-12-24T16:16:09Z)
• Collaborative Reconstruction and Repair for Multi-class Industrial Anomaly Detection [37.057760207060554]
  コラボレーティブ・リコンストラクション・アンド・リコンストラクション(CRR)は、リコンストラクションを修復に変換する。 我々は,デコーダからの表現が十分なローカル情報を含むことを保証するために,特徴レベルのランダムマスキングを実装した。 我々は,合成異常マスクによって教師されるセグメンテーションネットワークを訓練し,ローカライゼーション性能を向上させる。
  論文  参考訳（メタデータ） (2025-12-12T09:24:23Z)
• 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)
• Fine-grained Abnormality Prompt Learning for Zero-shot Anomaly Detection [109.72772150095646]
  FAPromptは、精密なZSADのためのきめ細かい異常プロンプトを学習するために設計された新しいフレームワークである。 産業的欠陥と医療的異常の両方をカバーする19の実世界のデータセットの実験は、FAPromptが画像レベルのZSADタスクとピクセルレベルのZSADタスクの両方で最先端の手法を大幅に上回っていることを実証している。
  論文  参考訳（メタデータ） (2024-10-14T08:41:31Z)
• GLAD: Towards Better Reconstruction with Global and Local Adaptive Diffusion Models for Unsupervised Anomaly Detection [60.78684630040313]
  拡散モデルは、特定のノイズを付加したテスト画像の通常の画像を再構成する傾向がある。 世界的視点から見ると、異なる異常による画像再構成の難しさは不均一である。 本稿では,非教師付き異常検出のためのグローバルかつ局所的な適応拡散モデル(GLADと略す)を提案する。
  論文  参考訳（メタデータ） (2024-06-11T17:27:23Z)
• Toward Generalist Anomaly Detection via In-context Residual Learning with Few-shot Sample Prompts [25.629973843455495]
  Generalist Anomaly Detection (GAD)は、ターゲットデータにさらなるトレーニングを加えることなく、さまざまなアプリケーションドメインからさまざまなデータセットの異常を検出するために一般化可能な、単一の検出モデルをトレーニングすることを目的としている。 InCTRLと呼ばれるGADのための文脈内残差学習モデルを学習する新しい手法を提案する。 InCTRLは最高のパフォーマーであり、最先端の競合手法を著しく上回っている。
  論文  参考訳（メタデータ） (2024-03-11T08:07:46Z)

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。