論文の概要: Feature Perturbation Pool-based Fusion Network for Unified Multi-Class Industrial Defect Detection

• arxiv url: http://arxiv.org/abs/2604.19259v1
• Date: Tue, 21 Apr 2026 09:20:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-22 22:41:49.699719
• Title: Feature Perturbation Pool-based Fusion Network for Unified Multi-Class Industrial Defect Detection
• Title（参考訳）: マルチクラス産業欠陥検出のための特徴摂動プール型核融合ネットワーク
• Authors: Yuanchan Xu, Wenjun Zang, Ying Wu,
• Abstract要約: マルチクラス欠陥検出のための特徴摂動プールベースフュージョンネットワークであるFPFNetを提案する。 提案手法は,広く採用されている2つのベンチマークの最先端性能を実現する。
• 参考スコア（独自算出の注目度）: 4.939079298445102
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Multi-class defect detection constitutes a critical yet challenging task in industrial quality inspection, where existing approaches typically suffer from two fundamental limitations: (i) the necessity of training separate models for each defect category, resulting in substantial computational and memory overhead, and (ii) degraded robustness caused by inter-class feature perturbation when heterogeneous defect categories are jointly modeled. In this paper, we present FPFNet, a Feature Perturbation Pool-based Fusion Network that synergistically integrates a stochastic feature perturbation pool with a multi-layer feature fusion strategy to address these challenges within a unified detection framework. The feature perturbation pool enriches the training distribution by randomly injecting diverse noise patterns -- including Gaussian noise, F-Noise, and F-Drop -- into the extracted feature representations, thereby strengthening the model's robustness against domain shifts and unseen defect morphologies. Concurrently, the multi-layer feature fusion module aggregates hierarchical feature representations from both the encoder and decoder through residual connections and normalization, enabling the network to capture complex cross-scale relationships while preserving fine-grained spatial details essential for precise defect localization. Built upon the UniAD architecture~\cite{you2022unified}, our method achieves state-of-the-art performance on two widely adopted benchmarks: 97.17\% image-level AUROC and 96.93\% pixel-level AUROC on MVTec-AD, and 91.08\% image-level AUROC and 99.08\% pixel-level AUROC on VisA, surpassing existing methods by notable margins while introducing no additional learnable parameters or computational complexity.
• Abstract（参考訳）: マルチクラス欠陥検出は、産業品質検査において重要な課題であり、既存のアプローチでは2つの基本的な制限が課される。 一 欠陥カテゴリーごとに個別のモデルを訓練することの必要性で、計算・記憶のオーバーヘッドがかなり大きいこと。 (II)異種欠陥カテゴリーを連成モデルとした場合のクラス間特徴摂動による劣化ロバスト性について検討した。 本稿では,機能摂動プールベースのフュージョンネットワークであるFPFNetについて述べる。このネットワークは,確率的機能摂動プールと多層機能融合戦略を相乗的に統合し,これらの課題を統合検出フレームワーク内で解決する。 特徴摂動プールは、抽出した特徴表現にガウスノイズ、F-ノイズ、F-Dropを含む多様なノイズパターンをランダムに注入することにより、トレーニング分布を充実させ、ドメインシフトに対するモデルの堅牢性を強化し、欠陥形態を見えなくする。 同時に、多層機能融合モジュールは、残差接続と正規化を介してエンコーダとデコーダの両方から階層的特徴表現を集約し、ネットワークは、正確な欠陥ローカライゼーションに必要なきめ細かい空間的詳細を保存しつつ、複雑なクロススケールな関係をキャプチャする。 UniAD アーキテクチャ~\cite{you2022unified} をベースとして,画像レベルの AUROC が97.17\%,MVTec-AD が96.93\%,画像レベルの AUROC が91.08\%,VisA が99.08\% の AUROC が99.08\% である。

関連論文リスト

• UniMRSeg: Unified Modality-Relax Segmentation via Hierarchical Self-Supervised Compensation [104.59740403500132]
  マルチモーダルイメージセグメンテーションは、不完全/破損したモダリティの劣化による実際のデプロイメント課題に直面している。 階層型自己教師型補償(HSSC)による統一Modality-relaxセグメンテーションネットワーク(UniMRSeg)を提案する。 我々のアプローチは、入力レベル、特徴レベル、出力レベルをまたいだ完全なモダリティと不完全なモダリティの間の表現ギャップを階層的に橋渡しします。
  論文  参考訳（メタデータ） (2025-09-19T17:29:25Z)
• CLIP Meets Diffusion: A Synergistic Approach to Anomaly Detection [49.11819337853632]
  異常検出は、異常の定義の曖昧さ、異常型の多様性、トレーニングデータの不足による複雑な問題である。 識別的基盤モデルと生成的基礎モデルの両方を活用するCLIPfusionを提案する。 本手法は, 異常検出の多面的課題に対処する上で, マルチモーダル・マルチモデル融合の有効性を裏付けるものである。
  論文  参考訳（メタデータ） (2025-06-13T13:30:15Z)
• FPDANet: A Multi-Section Classification Model for Intelligent Screening of Fetal Ultrasound [2.255017160735307]
  本稿では,これらの課題に対処するため,二国間マルチスケール情報融合ネットワークFPDANetを提案する。 具体的には,特徴の類似性を利用した位置注意機構(DAN)モジュールを設計する。 さらに,FPAN情報融合モジュールを設計し,コンテキストおよびグローバルな特徴の依存関係を抽出する。
  論文  参考訳（メタデータ） (2025-06-06T13:00:17Z)
• Feature Attenuation of Defective Representation Can Resolve Incomplete Masking on Anomaly Detection [1.0358639819750703]
  教師なし異常検出(UAD)研究では、計算効率が高くスケーラブルなソリューションを開発する必要がある。 再建・塗り替えのアプローチを再考し、強みと弱みを分析して改善する。 異常再構成の特徴情報を減衰させる2つの層のみを用いるFADeR(Feature Attenuation of Defective Representation)を提案する。
  論文  参考訳（メタデータ） (2024-07-05T15:44:53Z)
• DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
  本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。 画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-12-11T18:38:28Z)
• You Only Train Once: A Unified Framework for Both Full-Reference and No-Reference Image Quality Assessment [45.62136459502005]
  本稿では,完全な参照 (FR) と非参照 (NR) IQA を行うネットワークを提案する。 まず、入力画像から多レベル特徴を抽出するためにエンコーダを用いる。 FRおよびNR入力のユニバーサルアダプタとして階層的注意(HA)モジュールを提案する。 エンコーダの浅い層と深い層との間の特徴相関を調べるために, セマンティック・ディストーション・アウェア (SDA) モジュールを提案する。
  論文  参考訳（メタデータ） (2023-10-14T11:03:04Z)

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。