論文の概要: MMVIAD: Multi-view Multi-task Video Understanding for Industrial Anomaly Detection

• arxiv url: http://arxiv.org/abs/2605.10833v1
• Date: Mon, 11 May 2026 16:49:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:51.006954
• Title: MMVIAD: Multi-view Multi-task Video Understanding for Industrial Anomaly Detection
• Title（参考訳）: MMVIAD:産業異常検出のための多視点マルチタスクビデオ理解
• Authors: Xiran Zhao, Jing Jin, Yan Bai, Zhongan Wang, Yifeng Sun, Yihang Lou, Xuanyu Zhu, Tao Feng, Yingna Wu,
• Abstract要約: MMVIADは産業的異常検出と理解のための最初の連続マルチビュービデオデータセットである。 異常検出、欠陥分類、オブジェクト分類、および異常可視時間ローカライゼーションをサポートする。 MMVIAD-Unseenでは、VISTAはベースモデルの平均スコアを45.0から57.5に改善し、GPT-5.4を上回った。
• 参考スコア（独自算出の注目度）: 16.652701526189343
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Industrial anomaly detection is critical for manufacturing quality control, yet existing datasets mainly focus on static images or sparse views, which do not fully reflect continuous inspection processes in real industrial scenarios. We introduce MMVIAD (Multi-view Multi-task Video Industrial Anomaly Detection), to the best of our knowledge the first continuous multi-view video dataset for industrial anomaly detection and understanding, together with a benchmark for multi-task evaluation. MMVIAD contains object-centric 2-second inspection clips with approximately 120 degrees of camera motion, covering 48 object categories, 14 environments, and 6 structural anomaly types. It supports anomaly detection, defect classification, object classification, and anomaly visible-time localization. Systematic evaluations on MMVIAD show that current commercial and open-source video MLLMs remain far below human performance, especially for fine-grained defect recognition and temporal grounding. To improve transferable anomaly understanding, we further develop a two-stage post-training pipeline where PS-SFT (Perception-Structured Supervised Fine-Tuning) initializes perception-structured reasoning and VISTA-GRPO (Visibility-grounded Industrial Structured Temporal Anomaly Group Relative Policy Optimization) refines the model with semantic-gated defect reward and visibility-aware temporal reward, producing the final model VISTA. On MMVIAD-Unseen, VISTA improves the base model's average score across the four tasks from 45.0 to 57.5, surpassing GPT-5.4. Source code is available at https://github.com/Georgekeepmoving/MMVIAD.
• Abstract（参考訳）: 産業的異常検出は製造品質管理において重要であるが、既存のデータセットは主に静的画像やスパースビューに重点を置いており、実際の産業シナリオにおける継続的な検査プロセスを完全に反映していない。 MMVIAD (Multi-view Multi-task Video Industrial Anomaly Detection) を産業異常検出・理解のための最初の連続マルチビュービデオデータセットとして, マルチタスク評価のためのベンチマークとともに紹介する。 MMVIADには、約120度のカメラモーションを持つオブジェクト中心の2秒検査クリップが含まれており、48のオブジェクトカテゴリ、14の環境、および6つの構造異常タイプをカバーしている。 異常検出、欠陥分類、オブジェクト分類、および異常可視時間ローカライゼーションをサポートする。 MMVIADのシステマティック評価では、現在の商用およびオープンソースのビデオMLLMは、特にきめ細かい欠陥認識と時間的接地のために、人間のパフォーマンスよりはるかに低いままである。 そこで,PS-SFT (Perception-Structured Supervised Fine-Tuning) が知覚構造化推論を初期化し,VISTA-GRPO (Visibility-grounded Industrial Structured Temporal Anomaly Group Relative Policy Optimization) が意味付き欠陥報酬と可視性を考慮した時間報酬でモデルを改良し,最終的なモデル VISTA を作成した。 MMVIAD-Unseenでは、VISTAはベースモデルの平均スコアを45.0から57.5に改善し、GPT-5.4を上回った。 ソースコードはhttps://github.com/Georgekeepmoving/MMVIADで入手できる。

関連論文リスト

• InspectVLM: Unified in Theory, Unreliable in Practice [0.0]
  統一視覚言語モデル(VLM)は、単一の言語駆動インタフェース内で複数の視覚タスクをフレキシブルにすることで、コンピュータビジョンパイプラインの合理化を約束する。 InspectMMをトレーニングしたFlorence-2ベースのVLMであるInspectVLMを用いて,この統一パラダイムの有効性を批判的に評価する。
  論文  参考訳（メタデータ） (2025-08-03T21:09:35Z)
• VANE-Bench: Video Anomaly Evaluation Benchmark for Conversational LMMs [64.60035916955837]
  VANE-Benchはビデオの異常や矛盾を検出するためのビデオLMMの熟練度を評価するために設計されたベンチマークである。 我々のデータセットは、既存の最先端のテキスト・ビデオ生成モデルを用いて合成された一連のビデオから構成される。 我々は、このベンチマークタスクにおいて、オープンソースとクローズドソースの両方で既存の9つのビデオLMMを評価し、ほとんどのモデルが微妙な異常を効果的に識別するのに困難に直面することを発見した。
  論文  参考訳（メタデータ） (2024-06-14T17:59:01Z)
• Open-Vocabulary Video Anomaly Detection [57.552523669351636]
  監視の弱いビデオ異常検出(VAD)は、ビデオフレームが正常であるか異常であるかを識別するためにビデオレベルラベルを利用する際、顕著な性能を達成した。 近年の研究は、より現実的な、オープンセットのVADに取り組み、異常や正常なビデオから見えない異常を検出することを目的としている。 本稿ではさらに一歩前進し、未確認および未確認の異常を検知・分類するために訓練済みの大規模モデルを活用することを目的とした、オープン語彙ビデオ異常検出(OVVAD)について検討する。
  論文  参考訳（メタデータ） (2023-11-13T02:54:17Z)
• Myriad: Large Multimodal Model by Applying Vision Experts for Industrial Anomaly Detection [86.24898024621008]
  産業異常検出に視覚専門家を適用した新しい大規模マルチモーダルモデルを提案する(略してMyriad)。 我々は,視覚専門家が生成する異常マップをLMMのガイダンスとして利用し,視覚モデルが異常領域により多くの注意を払うように誘導する。 提案手法は最先端の手法に対して良好に機能するだけでなく,IAD分野におけるLMMの柔軟性や命令追従性を継承する。
  論文  参考訳（メタデータ） (2023-10-29T16:49:45Z)

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。