論文の概要: AnomalyClaw: A Universal Visual Anomaly Detection Agent via Tool-Grounded Refutation

• arxiv url: http://arxiv.org/abs/2605.10397v1
• Date: Mon, 11 May 2026 11:40:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.774541
• Title: AnomalyClaw: A Universal Visual Anomaly Detection Agent via Tool-Grounded Refutation
• Title（参考訳）: AnomalyClaw: ツール周囲の難読化によるユニバーサル視覚異常検出エージェント
• Authors: Xi Jiang, Yinjie Zhao, Zesheng Yang, Feng Zheng,
• Abstract要約: AnomalyClawは、トレーニング不要な視覚異常検出剤である。 異常判定を多ラウンドの給油プロセスに変換する。 単一ステップの直接推論よりも一貫したマクロAUROC改善を実現している。
• 参考スコア（独自算出の注目度）: 40.254835073578484
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Visual anomaly detection (VAD) is crucial in many real-world fields, such as industrial inspection, medical imaging, infrastructure monitoring, and remote sensing. However, the specific anomaly definitions, data modalities, and annotation standards across different domains make it difficult to transfer single-domain trained VAD models. Vision-language models (VLMs), pre-trained on large-scale cross-domain data, can perform visual perception under task instructions, offering a promising solution for cross-domain VAD. However, single-inference VLM judgments are unreliable, since they rely more on prior knowledge than on normal-sample references or fine-grained feature evidence. We therefore present AnomalyClaw, a training-free VAD agent that turns anomaly judgment into a multi-round refutation process. In each round, the agent proposes candidate anomalies and refutes each against normal-sample references, drawing on a 13-tool library for visual verification, reference parsing, and frozen expert probing. On the CrossDomainVAD-12 benchmark (12 datasets), AnomalyClaw achieves consistent macro-AUROC improvements over single-step direct inference with +6.23 pp on GPT-5.5, +7.93 pp on Seed2.0-lite, and +3.52 pp on Qwen3.5-VL-27B. We further introduce an optional verbalized self-evolution extension. It builds an online rulebook from internal-branch disagreement without oracle labels. On Qwen3.5-VL-27B, it delivers a +2.09 pp mean gain, comparable to a K = 10 oracle-label supervised baseline (+1.99 pp). These results show that agentic refutation improve anomaly understanding and reasoning of VLMs, rather than merely aggregating tool outputs.
• Abstract（参考訳）: 視覚異常検出(VAD)は、産業検査、医療画像撮影、インフラ監視、リモートセンシングなど、多くの現実の分野で重要である。 しかしながら、特定の異常定義、データモダリティ、および異なるドメインにわたるアノテーション標準は、単一のドメインで訓練されたVADモデルを転送することを困難にしている。 大規模クロスドメインデータに基づいて事前訓練された視覚言語モデル(VLM)は、タスク命令の下で視覚的知覚を行うことができ、クロスドメインVADのための有望なソリューションを提供する。 しかしながら、単一推論のVLM判断は、通常のサンプル参照やきめ細かい特徴証拠よりも事前の知識に頼っているため、信頼性が低い。 そこで,本研究では, 異常判定を多ラウンド給油プロセスに変換する訓練不要なVADエージェントであるAnomalyClawを提案する。 各ラウンドにおいて、エージェントは、視覚的検証、参照解析、凍結専門家探索のための13ツールライブラリに描画された正常サンプル参照に対して、候補の異常と反証をそれぞれ提案する。 CrossDomainVAD-12ベンチマーク(12データセット)では、AnomalyClawはシングルステップの直接推論に対して、GPT-5.5で+6.23pp、Seed2.0-liteで+7.93pp、Qwen3.5-VL-27Bで+3.52ppで一貫したマクロAUROC改善を実現している。 さらに、オプションの言語化自己進化拡張を導入する。 オラクルは、オラクルのラベルなしで社内の意見の不一致からオンラインのルールブックを構築している。 Qwen3.5-VL-27Bでは、K = 10oracle-label によるベースライン(+1.99 pp)に匹敵する+2.09 ppのゲインを提供する。 これらの結果から, エージェント的難燃化は, ツール出力を集約するのではなく, VLMの異常な理解と推論を改善することが示唆された。

関連論文リスト

• Steering and Rectifying Latent Representation Manifolds in Frozen Multi-modal LLMs for Video Anomaly Detection [52.5174167737992]
  ビデオ異常検出(VAD)は、ビデオ内の異常事象を特定することを目的としている。 本稿では,MLLMに基づくVADを受動的に読み上げから内部表現を積極的に操り,修正するSteerVADを提案する。 本手法は、トレーニングデータの1%しか必要としないチューニングフリーアプローチにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2026-02-27T13:48:50Z)
• Seeing the Unseen: Towards Zero-Shot Inspection for Wind Turbine Blades using Knowledge-Augmented Vision Language Models [10.230967860299504]
  本稿では,ゼロショット指向の検査フレームワークを提案し,視覚言語モデルとRetrieval-Augmented Generationを統合した。 技術ドキュメント、代表参照画像、ドメイン固有のガイドラインを含むマルチモーダル知識ベースを構築する。 各種損傷カテゴリをカバーする30のラベル付きブレード画像上での枠組みの評価を行った。
  論文  参考訳（メタデータ） (2025-10-26T23:19:28Z)
• Unified Unsupervised Anomaly Detection via Matching Cost Filtering [113.43366521994396]
  教師なし異常検出(UAD)は、通常のトレーニングデータのみを用いて画像レベルの異常と画素レベルの異常を識別することを目的としている。 UADモデルの異常コスト量を補正するための汎用的なポストホック精錬フレームワークであるUnified Cost Filtering (UCF) を提案する。
  論文  参考訳（メタデータ） (2025-10-03T03:28:18Z)
• AD-DINOv3: Enhancing DINOv3 for Zero-Shot Anomaly Detection with Anomaly-Aware Calibration [12.642531824086639]
  Zero-Shot Anomaly Detection (ZSAD)は、任意の新しいカテゴリから異常を識別する。 最近のDINOv3のようなビジョン基礎モデルは、強力な転送可能な表現能力を示している。 本稿では,ZSAD用に設計された新しい視覚言語マルチモーダルフレームワークであるAD-DINOv3を紹介する。
  論文  参考訳（メタデータ） (2025-09-17T15:29:25Z)
• 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)

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。