論文の概要: Industrial Surface Defect Detection via Diffusion Generation and Asymmetric Student-Teacher Network

• arxiv url: http://arxiv.org/abs/2604.19240v1
• Date: Tue, 21 Apr 2026 08:47:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-22 22:41:49.693421
• Title: Industrial Surface Defect Detection via Diffusion Generation and Asymmetric Student-Teacher Network
• Title（参考訳）: 拡散生成と非対称学習者ネットワークによる産業用表面欠陥検出
• Abstract要約: 工業的な表面欠陥検出は、しばしば限られた欠陥サンプル、厳しい長い尾の分布、複雑な背景の下で微妙な欠陥を正確に局所化することの難しさに悩まされる。 本稿では,非対称な教師・学生アーキテクチャとDDPM(Denoising Diffusion Probabilistic Model)を統合した教師なし欠陥検出手法を提案する。
• 参考スコア（独自算出の注目度）: 12.392157257527705
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Industrial surface defect detection often suffers from limited defect samples, severe long-tailed distributions, and difficulties in accurately localizing subtle defects under complex backgrounds. To address these challenges, this paper proposes an unsupervised defect detection method that integrates a Denoising Diffusion Probabilistic Model (DDPM) with an asymmetric teacher-student architecture. First, at the data level, the DDPM is trained solely on normal samples. By introducing constant-variance Gaussian perturbations and Perlin noise-based masks, high-fidelity and physically consistent defect samples along with pixel-level annotations are generated, effectively alleviating the data scarcity problem. Second, at the model level, an asymmetric dual-stream network is constructed. The teacher network provides stable representations of normal features, while the student network reconstructs normal patterns and amplifies discrepancies between normal and anomalous regions. Finally, a joint optimization strategy combining cosine similarity loss and pixel-wise segmentation supervision is adopted to achieve precise localization of subtle defects. Experimental results on the MVTecAD dataset show that the proposed method achieves 98.4\% image-level AUROC and 98.3\% pixel-level AUROC, significantly outperforming existing unsupervised and mainstream deep learning methods. The proposed approach does not require large amounts of real defect samples and enables accurate and robust industrial defect detection and localization. \keywords{Industrial defect detection \and diffusion models \and data generation \and teacher-student architecture \and pixel-level localization}
• Abstract（参考訳）: 工業的な表面欠陥検出は、しばしば限られた欠陥サンプル、厳しい長い尾の分布、複雑な背景の下で微妙な欠陥を正確に局所化することの難しさに悩まされる。 これらの課題に対処するために,非対称な教師・学生アーキテクチャとDDPM(Denoising Diffusion Probabilistic Model)を統合した教師なし欠陥検出手法を提案する。 まず、データレベルでは、DDPMは通常のサンプルのみに基づいて訓練される。 定数分散ガウス摂動とパーリンノイズベースのマスクを導入することにより、画素レベルのアノテーションとともに高忠実で物理的に一貫した欠陥サンプルを生成し、データ不足を効果的に軽減する。 第2に、モデルレベルでは、非対称な二重ストリームネットワークが構築される。 教師ネットワークは、通常の特徴の安定した表現を提供し、学生ネットワークは、正常なパターンを再構成し、正常な領域と異常な領域の差異を増幅する。 最後に,コサイン類似度損失と画素ワイドセグメンテーション監督を組み合わせた共同最適化手法を採用し,微妙な欠陥の正確な局所化を実現する。 MVTecADデータセットの実験結果から,提案手法は画像レベルのAUROC 98.4\%,画素レベルのAUROC 98.3\%を達成し,既存の教師なしおよび主流のディープラーニング手法を著しく上回った。 提案手法では, 実際の欠陥サンプルを大量に必要とせず, 高精度でロバストな工業的欠陥検出と局所化を実現している。 \keywords{industrial defect detection \and diffusion model \and data generation \and teacher-student architecture \and pixel-level localization}

関連論文リスト

• Correcting False Alarms from Unseen: Adapting Graph Anomaly Detectors at Test Time [60.341117019125214]
  グラフ異常検出(GAD)における未確認正規pattErnsの修正のための,軽量かつプラグアンドプレイなテスト時間適応フレームワークを提案する。 意味的混乱に対処するために、シフトしたデータと元のデータとをグラフ属性レベルで整合させるグラフ整合器を用いる。 10個の実世界のデータセットに対する大規模な実験により、TUNEは事前学習されたGADモデルの合成パターンと実際の見えない正常パターンの両方への一般化性を著しく向上することが示された。
  論文  参考訳（メタデータ） (2025-11-10T12:10:05Z)
• Sample-Centric Multi-Task Learning for Detection and Segmentation of Industrial Surface Defects [3.0497940633809395]
  試料品質制御(QC)のための工業用表面欠陥検査は、与えられた試料が欠陥を含むか否かを同時に決定し、それらの欠陥を局所化する必要がある。 既存のモデルは強いピクセルオーバーラップ測定値を得るが、サンプルレベルでの安定性は不十分である。 サンプル中心型マルチタスク学習フレームワークと評価スイートを提案する。
  論文  参考訳（メタデータ） (2025-10-15T07:24:26Z)
• Leveraging Learning Bias for Noisy Anomaly Detection [19.23861148116995]
  本稿では、フル教師なし画像異常検出(FUIAD)の課題に対処する。 従来の方法では、異常のないトレーニングデータを仮定するが、実世界の汚染により、モデルは通常通り異常を吸収する。 モデルに固有の学習バイアスを利用する2段階のフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-10T17:47:21Z)
• Generate Aligned Anomaly: Region-Guided Few-Shot Anomaly Image-Mask Pair Synthesis for Industrial Inspection [53.137651284042434]
  異常検査は製造業において重要な役割を担っているが、異常サンプルの不足は既存の方法の有効性を制限している。 本稿では,GAA (Generate grained Anomaly) を提案する。 GAAは少数のサンプルのみを用いて現実的で多様で意味的に整合した異常を発生させる。
  論文  参考訳（メタデータ） (2025-07-13T12:56:59Z)
• Adaptive Signal Analysis for Automated Subsurface Defect Detection Using Impact Echo in Concrete Slabs [0.0]
  本研究は,コンクリートスラブの地下欠陥発生領域を検出するための,新しい,自動化された,スケーラブルな手法を提案する。 このアプローチは、高度な信号処理、クラスタリング、および視覚分析を統合して、地下の異常を識別する。 結果は方法論の堅牢性を示し、最小限の偽陽性とほとんど欠陥のない欠陥発生領域を一貫して同定した。
  論文  参考訳（メタデータ） (2024-12-23T20:05:53Z)
• Leveraging Latent Diffusion Models for Training-Free In-Distribution Data Augmentation for Surface Defect Detection [9.784793380119806]
  データ拡張のためのトレーニング不要な拡散型In-Distribution Anomaly GenerationパイプラインであるDIAGを紹介する。 従来の画像生成技術とは異なり、我々は、ドメインの専門家がモデルにマルチモーダルガイダンスを提供する、Human-in-the-loopパイプラインを実装している。 我々は、挑戦的なKSDD2データセットに対する最先端データ拡張アプローチに関して、DIAGの有効性と汎用性を実証する。
  論文  参考訳（メタデータ） (2024-07-04T14:28:52Z)
• 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)
• Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
  具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。 本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
  論文  参考訳（メタデータ） (2024-01-06T07:30:41Z)
• Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
  本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。 さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。 提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
  論文  参考訳（メタデータ） (2023-11-27T13:14:06Z)
• 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)
• Fully Convolutional Cross-Scale-Flows for Image-based Defect Detection [24.0966076588569]
  欠陥部分の画像サンプルを必要とせずに自動欠陥検出の問題に取り組む。 本稿では,異なるスケールの複数の特徴写像を共同で処理する,完全畳み込み型クロススケール正規化フロー(CS-Flow)を提案する。 ベンチマークデータセットであるMagnetic Tile DefectsとMVTec ADは、15クラス中4クラスで100%AUROCを示す。
  論文  参考訳（メタデータ） (2021-10-06T15:35:13Z)
• PaDiM: a Patch Distribution Modeling Framework for Anomaly Detection and Localization [64.39761523935613]
  本稿では,画像中の異常を同時検出・ローカライズするPatch Distribution Modeling, PaDiMを提案する。 PaDiMは、パッチの埋め込みに事前訓練された畳み込みニューラルネットワーク(CNN)を使用している。 また、CNNの異なるセマンティックレベル間の相関を利用して、異常のローカライズも改善している。
  論文  参考訳（メタデータ） (2020-11-17T17:29:18Z)

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。