論文の概要: One-Step Diffusion with Inverse Residual Fields for Unsupervised Industrial Anomaly Detection

• arxiv url: http://arxiv.org/abs/2604.18393v1
• Date: Mon, 20 Apr 2026 15:16:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.964272
• Title: One-Step Diffusion with Inverse Residual Fields for Unsupervised Industrial Anomaly Detection
• Title（参考訳）: 非監督的産業異常検出のための逆残差場を用いたワンステップ拡散
• Authors: Boan Zhang, Wen Li, Guanhua Yu, Xiyang Liu, Wenchao Chen, Long Tian,
• Abstract要約: 逆残留場を持つ新しいワンステップ拡散OSD-IRFを提案する。 以上の結果から,OSD-IRF は iIAD に対して単一段階拡散しか必要としないことが明らかとなった。 提案モデルでは, 蒸留なしでの約2倍の推算速度向上とともに, 6つの指標間でのSOTAや競合性能を実現する。
• 参考スコア（独自算出の注目度）: 21.16405803337617
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diffusion models have achieved outstanding performance in unsupervised industrial anomaly detection (uIAD) by learning a manifold of normal data under the common assumption that off-manifold anomalies are harder to generate, resulting in larger reconstruction errors in data space or lower probability densities in the tractable latent space. However, their iterative denoising and noising nature leads to slow inference. In this paper, we propose OSD-IRF, a novel one-step diffusion with inverse residual fields, to address this limitation for uIAD task. We first train a deep diffusion probabilistic model (DDPM) on normal data without any conditioning. Then, for a test sample, we predict its inverse residual fields (IRF) based on the noise estimated by the well-trained parametric noise function of the DDPM. Finally, uIAD is performed by evaluating the probability density of the IRF under a Gaussian distribution and comparing it with a threshold. Our key observation is that anomalies become distinguishable in this IRF space, a finding that has seldom been reported in prior works. Moreover, OSD-IRF requires only single step diffusion for uIAD, thanks to the property that IRF holds for any neighboring time step in the denoising process. Extensive experiments on three widely used uIAD benchmarks show that our model achieves SOTA or competitive performance across six metrics, along with roughly a 2X inference speedup without distillation.
• Abstract（参考訳）: 拡散モデルは、非教師なし産業異常検出(uIAD)において、オフ・マニホールド異常が生成しにくいという一般的な仮定の下で正規データの多様体を学習することにより、データ空間における再構成誤りや、トラクタブル潜在空間における確率密度の低下など、優れた性能を達成している。 しかし、その反復的なデノイングとノイズ化は推論を遅くする。 本稿では, 逆残差場を持つ新しい1ステップ拡散系OSD-IRFを提案する。 まず, 条件なしの正規データ上で, 拡散確率モデル (DDPM) を訓練する。 そして,実験試料に対して,DDPMのよく訓練されたパラメトリック雑音関数から推定される雑音に基づいて,その逆残留場(IRF)を予測する。 最後に、UIADは、ガウス分布の下でIRFの確率密度を評価し、しきい値と比較することによって行われる。 我々の重要な観察は、このIRF空間において異常が識別可能であることであり、これは以前の研究で報告されることはめったにない。 さらに、OSD-IRF は iIAD に対して1段階の拡散しか必要としないが、これは IRF がデノナイジング過程において隣り合う時間ステップで保持する性質のためである。 広範に使用されている3つの uIAD ベンチマークの大規模な実験により、我々のモデルは6つの指標でSOTAまたは競合性能を達成し、蒸留なしでおよそ2倍の速度で推算できることが示された。

関連論文リスト

• Non-stationary Diffusion For Probabilistic Time Series Forecasting [3.7687375904925484]
  非定常拡散(NsDiff)と呼ばれる拡散に基づく確率的予測フレームワークを開発する。 NsDiffは、デノナイズド拡散に基づく条件生成モデルと、事前訓練された条件平均と分散推定器を組み合わせる。 9つの実世界および合成データセットで実施された実験は、既存のアプローチと比較して、NsDiffの優れた性能を示している。
  論文  参考訳（メタデータ） (2025-05-07T09:29:39Z)
• Reconstruction-Free Anomaly Detection with Diffusion Models [30.099399014193573]
  Inversion-based Anomaly Detection (AD) 手法を提案する。 元の確率フローODEを近似する際、クリーンな画像にノイズを与えるための反転ステップはごくわずかである。 付加雑音が学習拡散モデルに適応的に導出されるので、クリーンテスト画像の原特徴を引き続き利用して高い検出精度を得ることができる。
  論文  参考訳（メタデータ） (2025-04-08T04:23:43Z)
• On the Wasserstein Convergence and Straightness of Rectified Flow [54.580605276017096]
  Rectified Flow (RF) は、ノイズからデータへの直流軌跡の学習を目的とした生成モデルである。 RFのサンプリング分布とターゲット分布とのワッサーシュタイン距離に関する理論的解析を行った。 本稿では,従来の経験的知見と一致した1-RFの特異性と直線性を保証する一般的な条件について述べる。
  論文  参考訳（メタデータ） (2024-10-19T02:36:11Z)
• ASD-Diffusion: Anomalous Sound Detection with Diffusion Models [6.659078422704148]
  実世界の工場において, 拡散モデル(ASD-Diffusion)に基づく異常音検出法が提案されている。 再構成後の入力から大きくずれた異常を検出するために, 後処理異常フィルタアルゴリズムを提案する。 暗黙的拡散モデルを導入し、推論速度を高速化する。
  論文  参考訳（メタデータ） (2024-09-24T10:42:23Z)
• 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)
• 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)

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。