論文の概要: SuperADD: Training-free Class-agnostic Anomaly Segmentation -- CVPR 2026 VAND 4.0 Workshop Challenge Industrial Track
- arxiv url: http://arxiv.org/abs/2605.14808v1
- Date: Thu, 14 May 2026 13:22:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-15 21:45:34.838098
- Title: SuperADD: Training-free Class-agnostic Anomaly Segmentation -- CVPR 2026 VAND 4.0 Workshop Challenge Industrial Track
- Title（参考訳）: SuperADD: CVPR 2026 VAND 4.0 Workshop Challenge Industrial Track
- Authors: Lukas Roming, Felix Lehnerer, Jonas V. Funk, Andreas Michel, Georg Maier, Thomas Längle, Jürgen Beyerer,
- Abstract要約: そこで本研究では,SuperADの動作に基づいた,学習不要でクラスに依存しない異常検出パイプラインを提案する。
本手法は,分散シフト下でのロバスト性向上を目的としたいくつかの改良によって一般化を改善する。
F1のセグメンテーションスコアは62.61%、57.42%、テスト用パブリック、プライベート、プライベートのMVTec AD 2で54.35%である。
- 参考スコア（独自算出の注目度）: 13.401733929149877
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Visual anomaly detection (AD) for industrial inspection is a highly relevant task in modern production environments. The problem becomes particularly challenging when training and deployment data differ due to changes in acquisition conditions during production. In the VAND 4.0 Industrial Track, models must remain robust under distribution shifts such as varying illumination and their performance is assessed on the MVTec AD 2 dataset. To address this setting, we propose a training-free and class-agnostic anomaly detection pipeline based on the work of SuperAD. Our approach improves generalization through several modifications designed to enhance robustness under distribution shifts. These adaptations include using a DINOv3 backbone, overlapping patch-wise processing, intensity-based augmentations, improved memory-bank subsampling for better coverage of the data distribution, and iterative morphological closing for cleaner and more spatially consistent anomaly maps. Unlike methods that rely on class-specific architectures or per-class hyperparameter tuning, our method uses a single architecture and one shared hyperparameter configuration across all object classes. This makes the approach well suited for industrial deployment, where product variants and appearance changes must be handled with minimal adaptation effort. We achieve segmentation F1 scores of $62.61\%$, $57.42\%$, and $54.35\%$ on test public, private, and private mixed of MVTec AD 2 respectively, thereby outperforming SuperAD and other state-of-the-art methods. Code is available at https://github.com/LukasRoom/SuperADD.
- Abstract（参考訳）: 産業検査のための視覚異常検出(AD)は、現代の生産環境において非常に重要な課題である。
運用中の取得条件の変化により、トレーニングやデプロイメントデータが異なる場合、この問題は特に難しくなります。
VAND 4.0 インダストリアルトラックでは、様々な照明などの分散シフトの下でモデルは堅牢でなければならない。
そこで本研究では,SuperADの動作に基づいた,学習不要でクラスに依存しない異常検出パイプラインを提案する。
本手法は,分散シフト下でのロバスト性向上を目的としたいくつかの改良により一般化を向上する。
これらの適応には、DINOv3バックボーンの使用、パッチワイズ処理の重複、強度ベースの拡張、データ分散のより良いカバレッジのためのメモリバンクサブサンプリングの改善、よりクリーンで空間的に整合した異常マップに対する反復的な形態的閉鎖が含まれる。
クラス固有のアーキテクチャやクラスごとのハイパーパラメータチューニングに依存するメソッドとは異なり、我々のメソッドは1つのアーキテクチャと、すべてのオブジェクトクラスにまたがる1つの共有ハイパーパラメータ構成を使用する。
これにより、製品の種類や外観の変化を最小限の適応力で扱わなければならない産業展開に適している。
セグメンテーションF1スコアは62.61\%$、57.42\%$、54.35\%$で、それぞれMVTec AD 2のパブリック、プライベート、プライベートの混合である。
コードはhttps://github.com/LukasRoom/SuperADD.comで入手できる。
関連論文リスト
- Deep Reprogramming Distillation for Medical Foundation Models [74.76894329393512]
本稿では,一般適応問題に対処するために,Deep Re programming Distillation (DRD) と呼ばれる新しいフレームワークを提案する。
具体的には、DRDは、一方が事前学習と下流シナリオ間のドメインとタスクの相違を克服する、新しい再プログラミングモジュールを導入している。
異なる訓練条件下でのばらつきを軽減するため, 堅牢な知識伝達を促進するために, 中心核アライメント (CKA) 蒸留法を設計する。
論文 参考訳（メタデータ） (2026-05-06T03:22:39Z) - MinerU2.5-Pro: Pushing the Limits of Data-Centric Document Parsing at Scale [92.09717763663873]
我々は、データエンジニアリングとトレーニング戦略設計を通じて、純粋に最先端の技術を進化させるMinerU2.5-Proを提案する。
コアとなるのは、カバレッジ、情報性、アノテーションの正確性を中心に設計されたData Engineだ。
我々は,MinerU2.5-Pro が OmniDocBench v1.6 上で 95.69 を達成することを示す。
論文 参考訳（メタデータ） (2026-04-06T15:44:18Z) - Make Some Noise: Unsupervised Remote Sensing Change Detection Using Latent Space Perturbations [0.0]
リモートセンシングにおける教師なし変化検出(UCD)は、トレーニング中にラベル付きデータに頼ることなく、同一領域の2つの画像間の意味変化をローカライズすることを目的としている。
トレーニング中の潜在機能空間において,多様な変更を直接合成する,エンドツーエンドの UCD フレームワークである MaSoN を提案する。
ターゲットデータの特徴統計を用いて動的に推定される変更を生成し、ターゲットドメインと一致した多様なデータ駆動の変動を可能にする。
論文 参考訳（メタデータ） (2026-02-23T14:27:36Z) - Universal Transformation of One-Class Classifiers for Unsupervised Anomaly Detection [51.73001988341294]
異常検出は通常、一級分類問題として定式化される。
本稿では,任意の1クラス分類器に基づく異常検出器を,完全に教師なしの手法に変換するデータセット折り畳み方式を提案する。
論文 参考訳（メタデータ） (2026-02-13T16:54:12Z) - Generalist Multi-Class Anomaly Detection via Distillation to Two Heterogeneous Student Networks [11.543429175824905]
異常検出は、様々な現実世界のアプリケーションにおいて重要な役割を果たす。
最近の手法では、一般的な異常検出に対処しようと試みているが、その性能はデータセット固有の設定や単一クラスタスクに敏感である。
本稿では,このギャップを埋めるために,知識蒸留(KD)に基づく新しい二重モデルアンサンブル手法を提案する。
論文 参考訳（メタデータ） (2025-09-29T08:31:31Z) - Dynamic Context-oriented Decomposition for Task-aware Low-rank Adaptation with Less Forgetting and Faster Convergence [131.41894248194995]
タスク認識方式でアダプタを初期化する新しい手法であるコンテキスト指向分解適応(CorDA)を提案する。
本手法は,タスク認識により,知識保存モード (KPM) と命令レビューモード (IPM) の2つのオプション適応モードを実現する。
論文 参考訳（メタデータ） (2025-06-16T07:55:14Z) - SuperAD: A Training-free Anomaly Classification and Segmentation Method for CVPR 2025 VAND 3.0 Workshop Challenge Track 1: Adapt & Detect [17.160007050126403]
SuperADと命名されたDINOv2モデルを用いて特徴抽出に基づく完全トレーニング不要な異常検出とセグメンテーション手法を提案する。
本手法は,MVTec AD 2データセットの両テストセットの競合性を実現する。
論文 参考訳（メタデータ） (2025-05-26T09:29:27Z) - Heterogeneous Domain Adaptation and Equipment Matching: DANN-based
Alignment with Cyclic Supervision (DBACS) [3.4519649635864584]
この研究は、サイクリック・スーパービジョン(DBACS)アプローチによるドメイン適応ニューラルネットワークを導入している。
DBACSはドメイン適応によるモデル一般化の問題、特に異種データに対処する。
この作業には、サブスペースアライメントや、異種表現を扱う多視点学習も含まれる。
論文 参考訳（メタデータ） (2023-01-03T10:56:25Z) - Robust Optimal Transport with Applications in Generative Modeling and
Domain Adaptation [120.69747175899421]
ワッサーシュタインのような最適輸送(OT)距離は、GANやドメイン適応のようないくつかの領域で使用されている。
本稿では,現代のディープラーニングアプリケーションに適用可能な,ロバストなOT最適化の計算効率のよい2つの形式を提案する。
提案手法では, ノイズの多いデータセット上で, 外部分布で劣化したGANモデルをトレーニングすることができる。
論文 参考訳（メタデータ） (2020-10-12T17:13:40Z)
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。