論文の概要: Accelerating New Product Introduction for Visual Quality Inspection via Few-Shot Diffusion-Based Defect Synthesis

• arxiv url: http://arxiv.org/abs/2604.22850v1
• Date: Wed, 22 Apr 2026 07:25:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:06.989539
• Title: Accelerating New Product Introduction for Visual Quality Inspection via Few-Shot Diffusion-Based Defect Synthesis
• Title（参考訳）: Few-Shot Diffusion-based Defect Synthesis による視覚品質検査用新製品の紹介
• Authors: Serkan Hamdi Güğül, Kemal Levi, Burak Acar,
• Abstract要約: 産業用視覚検査システムは、しばしばラベル付き欠陥データの深刻な不足に悩まされる。 この制限により、自動化された品質制御が必要とされる場合に、ロバストな監視検出器の展開が妨げられる。 本稿では,高忠実かつ少数ショットの欠陥合成のためのエンドツーエンド生成フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.06554326244334864
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Industrial visual inspection systems often suffer from a severe scarcity of labeled defect data, particularly during the early stages of New Product Introduction (NPI). This limitation hinders the deployment of robust supervised detectors precisely when automated quality control is most needed. We present an end-to-end generative framework for high-fidelity, few-shot defect synthesis that enables both in-domain augmentation and cross-domain transfer. Our approach disentangles defect morphology from background appearance by combining masked textual inversion for defect representation learning, noise-blended conditioned generation for surface-aware synthesis, and gradient-aware post-processing for seamless visual integration. We evaluate the framework in two practically relevant settings: few-shot data augmentation, where synthetic samples enrich a small set of real defects, and zero-shot adaptation, where defects learned from a source domain are transferred to a novel target surface without any real target-domain defect examples. Using RF-DETR as the downstream detector, we show that the proposed pipeline substantially narrows the domain gap on a private industrial dataset. In the few-shot setting, synthetic augmentation improves mAP from 78.8% to 83.3%. In the zero-shot setting, synthetic domain adaptation improves mAP from 65.0% to 85.1%. These results demonstrate that high-fidelity defect synthesis can meaningfully accelerate NPI by enabling effective inspection models before sufficient real defect data has been collected.
• Abstract（参考訳）: 産業用視覚検査システムは、特に新製品導入(NPI)の初期段階において、ラベル付き欠陥データの深刻な不足に悩まされることが多い。 この制限により、自動化された品質制御が必要とされる場合に、ロバストな監視検出器の展開が妨げられる。 ドメイン内拡張とクロスドメイン転送の両立を可能にする,高忠実かつ少数ショットの欠陥合成のためのエンドツーエンド生成フレームワークを提案する。 本手法は,欠陥表現学習のためのマスク付きテキストインバージョン,表面認識合成のためのノイズブレンド条件付き生成,シームレスな視覚統合のための勾配認識後処理を組み合わせることで,背景形状から欠陥形態を分離する。 筆者らは,本フレームワークを2つの実用的意味のある設定で評価した: 少数ショットデータ拡張, 合成サンプルが少数の実際の欠陥集合を豊かにする, ゼロショット適応, ソースドメインから学習した欠陥を, 実際の目標ドメイン欠陥例を使わずに新規なターゲット面に転送する, ゼロショット適応。 RF-DETRを下流検出器として使用することにより,提案したパイプラインは,プライベート産業データセット上での領域ギャップを大幅に狭めることを示す。 数ショットでは、合成増強はmAPを78.8%から83.3%に改善する。 ゼロショットでは、合成ドメイン適応はmAPを65.0%から85.1%に改善する。 これらの結果から, 十分な真の欠陥データが収集される前に, 有効検査モデルを有効化することにより, 高忠実度欠陥合成がNPIを有意に加速できることが示唆された。

関連論文リスト

• Radiology Report Generation for Low-Quality X-Ray Images [47.455316078409]
  VLM(Vision-Language Models)は、非常に高度な自動放射線診断レポート生成(RRG)を備えている。 既存の手法では、暗黙的に高品質な入力を仮定し、実際の臨床環境で流行するノイズやアーティファクトを見渡す。 本稿では,画像品質の変動を考慮したロバストなレポート生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-11T12:42:37Z)
• Quality-Aware Language-Conditioned Local Auto-Regressive Anomaly Synthesis and Detection [30.77558600436759]
  ARAS(ARAS)は、言語条件付き自動回帰異常合成手法である。 トークンアンコールによる遅延編集によって、ローカルでテキスト指定の欠陥を通常の画像に注入する。 欠陥リアリズムを著しく強化し、きめ細かい材料テクスチャを保存し、合成された異常に対して連続的な意味制御を提供する。
  論文  参考訳（メタデータ） (2025-08-05T15:07:32Z)
• 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)
• Minifinetuning: Low-Data Generation Domain Adaptation through Corrective Self-Distillation [48.52666201053625]
  Minifinetuningは、低データ設定におけるオーバーフィッティングによるデジェネレーションの効果を低減する。 MFTは標準的な微調整よりも2～10倍の専門化・一般化比を示す。
  論文  参考訳（メタデータ） (2025-05-30T01:54:12Z)
• ISP-AD: A Large-Scale Real-World Dataset for Advancing Industrial Anomaly Detection with Synthetic and Real Defects [0.0]
  ISP-ADは、ファクトリフロアから直接収集された合成欠陥と実際の欠陥を含む、これまでで最大のパブリックな産業データセットである。 実験により、少量の注入でも弱いラベル付き実欠陥が一般化を改善することが示されている。
  論文  参考訳（メタデータ） (2025-03-06T21:56:31Z)
• Scalable AI Framework for Defect Detection in Metal Additive Manufacturing [2.303463009749888]
  我々は、畳み込みニューラルネットワーク(CNN)を利用してプリント層の熱画像を分析し、これらの特性に影響を与える異常を自動的に識別する。 我々はこれらのモデルをCLoud ADditive Manufacturing (CLADMA)モジュールに統合し、AMアプリケーションのアクセシビリティと実用性を向上させる。
  論文  参考訳（メタデータ） (2024-11-01T18:17:59Z)
• Improving Synthetic Image Detection Towards Generalization: An Image Transformation Perspective [45.210030086193775]
  現在の合成画像検出(SID)パイプラインは、主に普遍的なアーティファクト機能を構築することを目的としている。 3つの簡単な画像変換を持つ軽量かつ効率的な検出器SAFEを提案する。 我々のパイプラインは、新しい最先端のパフォーマンスを実現し、既存の手法に対する平均精度は4.5%、平均精度は2.9%向上した。
  論文  参考訳（メタデータ） (2024-08-13T09:01:12Z)
• 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)
• Bridging the Synthetic-to-Authentic Gap: Distortion-Guided Unsupervised Domain Adaptation for Blind Image Quality Assessment [46.64517740627379]
  合成データのトレーニングは有用であることが期待されているが、合成訓練されたモデルはドメインギャップのため、実際のドメインでの一般化に苦しむことが多い。 本研究では,合成データセットにより多くの歪み型を導入することは,画像品質評価の一般化に悪影響を及ぼさないか,あるいは有害である可能性があることを重要視する。 本稿では、歪みからの事前知識を介して適応的な多領域選択を利用する新しいフレームワークであるBIQA(DGQA)の歪み誘導型非教師付きドメイン適応を提案する。
  論文  参考訳（メタデータ） (2024-05-07T10:07:33Z)
• SIRST-5K: Exploring Massive Negatives Synthesis with Self-supervised Learning for Robust Infrared Small Target Detection [53.19618419772467]
  単一フレーム赤外線小ターゲット検出(SIRST)は、乱雑な背景から小さなターゲットを認識することを目的としている。 Transformerの開発に伴い、SIRSTモデルのスケールは常に増大している。 赤外線小ターゲットデータの多彩な多様性により,本アルゴリズムはモデル性能と収束速度を大幅に改善する。
  論文  参考訳（メタデータ） (2024-03-08T16:14:54Z)

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。