論文の概要: Synthesis4AD: Synthetic Anomalies are All You Need for 3D Anomaly Detection

• arxiv url: http://arxiv.org/abs/2604.04658v1
• Date: Mon, 06 Apr 2026 13:13:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:19.197104
• Title: Synthesis4AD: Synthetic Anomalies are All You Need for 3D Anomaly Detection
• Title（参考訳）: 合成4AD:3D異常検出に必要な合成異常
• Authors: Yihan Sun, Yuqi Cheng, Junjie Zu, Yuxiang Tan, Guoyang Xie, Yucheng Wang, Yunkang Cao, Weiming Shen,
• Abstract要約: 大規模かつ高忠実な合成異常を利用して3次元異常検出のためのより識別的な表現を学習するエンド・ツー・エンドのパラダイムを提案する。 Synthesis4ADのコアとなる3D-DefectStudioは、制御可能な合成エンジンMPAS上に構築されたソフトウェアプラットフォームである。 本稿では,Real3D-AD,MulSen-AD,および実世界の産業部品データセット上での最先端性能を示す。
• 参考スコア（独自算出の注目度）: 15.861019312971443
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Industrial 3D anomaly detection performance is fundamentally constrained by the scarcity and long-tailed distribution of abnormal samples. To address this challenge, we propose Synthesis4AD, an end-to-end paradigm that leverages large-scale, high-fidelity synthetic anomalies to learn more discriminative representations for 3D anomaly detection. At the core of Synthesis4AD is 3D-DefectStudio, a software platform built upon the controllable synthesis engine MPAS, which injects geometrically realistic defects guided by higher-dimensional support primitives while simultaneously generating accurate point-wise anomaly masks. Furthermore, Synthesis4AD incorporates a multimodal large language model (MLLM) to interpret product design information and automatically translate it into executable anomaly synthesis instructions, enabling scalable and knowledge-driven anomalous data generation. To improve the robustness and generalization of the downstream detector on unstructured point clouds, Synthesis4AD further introduces a training pipeline based on spatial-distribution normalization and geometry-faithful data augmentations, which alleviates the sensitivity of Point Transformer architectures to absolute coordinates and improves feature learning under realistic data variations. Extensive experiments demonstrate state-of-the-art performance on Real3D-AD, MulSen-AD, and a real-world industrial parts dataset. The proposed synthesis method MPAS and the interactive system 3D-DefectStudio will be publicly released at https://github.com/hustCYQ/Synthesis4AD.
• Abstract（参考訳）: 産業用3次元異常検出性能は, 異常試料の不足と長期分布に大きく制約されている。 この課題に対処するために,大規模かつ高忠実な合成異常を利用して3次元異常検出のためのより識別的な表現を学習する,エンドツーエンドのパラダイムであるSynthely4ADを提案する。 合成4ADのコアとなる3D-DefectStudioは、制御可能な合成エンジンMPAS上に構築されたソフトウェアプラットフォームで、高次元のサポートプリミティブによって導かれる幾何学的に現実的な欠陥を注入し、同時に正確なポイントワイドな異常マスクを生成する。 さらに、Synise4ADは、製品設計情報を解釈し、それを実行可能な異常合成命令に変換するために、MLLM(Multimodal large language model)を組み込んでおり、スケーラブルで知識駆動の異常データ生成を可能にする。 非構造点雲上の下流検出器のロバスト性および一般化を改善するため、Synise4ADはさらに、空間分布正規化とジオメトリフルデータ拡張に基づくトレーニングパイプラインを導入し、ポイントトランスフォーマーアーキテクチャの絶対座標への感度を緩和し、現実的なデータバリエーションによる特徴学習を改善する。 大規模な実験では、Real3D-AD、MulSen-AD、および実世界の産業部品データセット上での最先端のパフォーマンスが実証されている。 提案する合成法MPASと3D-DefectStudioはhttps://github.com/hustCYQ/Synthesis4ADで公開される。

関連論文リスト

• ERGO: Excess-Risk-Guided Optimization for High-Fidelity Monocular 3D Gaussian Splatting [63.138778159026934]
  本稿では,ERGOと呼ばれる過度のリスク分解によって導かれる適応最適化フレームワークを提案する。 ERGOはビュー固有の過剰リスクを動的に推定し、最適化中の損失重みを適応的に調整する。 Google Scanned ObjectsデータセットとOmniObject3Dデータセットの実験は、既存の最先端メソッドよりもERGOの方が優れていることを示している。
  論文  参考訳（メタデータ） (2026-02-10T20:44:43Z)
• StdGEN++: A Comprehensive System for Semantic-Decomposed 3D Character Generation [57.06461272772509]
  StdGEN++は、多種多様な入力から高忠実で意味的に分解された3D文字を生成するための、新しく包括的なシステムである。 最先端の性能を達成し、幾何学的精度と意味的絡み合いにおいて既存の手法を著しく上回っている。 結果として、非破壊的な編集、物理学に準拠したアニメーション、視線追跡など、より進んだ下流の機能をアンロックする。
  論文  参考訳（メタデータ） (2026-01-12T15:41:27Z)
• Lemon: A Unified and Scalable 3D Multimodal Model for Universal Spatial Understanding [80.66591664266744]
  Lemonは3Dポイントクラウドパッチと言語トークンを単一のシーケンスとして処理する統合トランスフォーマーアーキテクチャである。 3次元データの複雑さに対処するため,空間的コンテキストを保存するための構造化パッチやトークン化方式を開発した。 Lemonは、総合的な3D理解と推論タスクにまたがって、最先端のパフォーマンスを確立する。
  論文  参考訳（メタデータ） (2025-12-14T20:02:43Z)
• IEC3D-AD: A 3D Dataset of Industrial Equipment Components for Unsupervised Point Cloud Anomaly Detection [16.60482902001866]
  3D異常検出(3D-AD)は製造業、特に中核機器部品の信頼性と安全性を確保する上で重要な役割を担っている。 Real3D-ADやMVTec 3D-ADといった既存の3Dデータセットは、幅広いアプリケーションサポートを提供するが、実際の産業環境で見られる複雑さと微妙な欠陥を捉えるには不足している。 実産業シナリオに特化した点雲異常検出データセット(IEC3D-AD)を開発した。 このデータセットは、実際の生産ラインから直接収集され、高い忠実性と関連性を保証する。
  論文  参考訳（メタデータ） (2025-11-05T08:01:23Z)
• SyntheOcc: Synthesize Geometric-Controlled Street View Images through 3D Semantic MPIs [34.41011015930057]
  SyntheOccは、2次元拡散モデルに対する条件入力として3次元幾何学情報を効率的にエンコードする方法の課題に対処する。 提案手法は,3次元意味的マルチプレーン画像(MPI)を革新的に組み込んで,包括的かつ空間的に整合した3次元シーン記述を提供する。
  論文  参考訳（メタデータ） (2024-10-01T02:29:24Z)
• Enhancing Generalizability of Representation Learning for Data-Efficient 3D Scene Understanding [50.448520056844885]
  本研究では,実世界のパターンを持つ多様な合成シーンを生成可能なベイズネットワークを提案する。 一連の実験は、既存の最先端の事前学習手法に比べて、我々の手法が一貫した優位性を示す。
  論文  参考訳（メタデータ） (2024-06-17T07:43:53Z)
• UniTR: A Unified and Efficient Multi-Modal Transformer for Bird's-Eye-View Representation [113.35352122662752]
  屋外3次元知覚のためのマルチモーダルバックボーンUniTRを提案する。 UniTRは、統一されたモデリングと共有パラメータで様々なモダリティを処理する。 UniTRは基本的にタスクに依存しないバックボーンであり、異なる3D知覚タスクを自然にサポートする。
  論文  参考訳（メタデータ） (2023-08-15T12:13:44Z)
• A New Benchmark: On the Utility of Synthetic Data with Blender for Bare Supervised Learning and Downstream Domain Adaptation [42.2398858786125]
  コンピュータビジョンにおけるディープラーニングは、大規模ラベル付きトレーニングデータの価格で大きな成功を収めた。 制御不能なデータ収集プロセスは、望ましくない重複が存在する可能性のある非IIDトレーニングおよびテストデータを生成する。 これを回避するために、ドメインランダム化による3Dレンダリングによる合成データを生成する方法がある。
  論文  参考訳（メタデータ） (2023-03-16T09:03:52Z)
• Geometry-Contrastive Transformer for Generalized 3D Pose Transfer [95.56457218144983]
  この研究の直感は、与えられたメッシュ間の幾何学的不整合を強力な自己認識機構で知覚することである。 本研究では,グローバルな幾何学的不整合に対する3次元構造的知覚能力を有する新しい幾何学コントラスト変換器を提案する。 本稿では, クロスデータセット3次元ポーズ伝達タスクのための半合成データセットとともに, 潜時等尺正則化モジュールを提案する。
  論文  参考訳（メタデータ） (2021-12-14T13:14:24Z)

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。