論文の概要: Uni-RCM: Unified Reference-guided Cross-modal Mapping for Multi-Class Anomaly Detection

• arxiv url: http://arxiv.org/abs/2605.29455v1
• Date: Thu, 28 May 2026 06:48:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:55.867056
• Title: Uni-RCM: Unified Reference-guided Cross-modal Mapping for Multi-Class Anomaly Detection
• Title（参考訳）: Uni-RCM:マルチクラス異常検出のための統一参照誘導クロスモーダルマッピング
• Authors: Yangchen Wu, Huiqiang Xie,
• Abstract要約: 統一参照ガイド型クロスモーダルマッピングフレームワークUni-RCMを提案する。 そこで本研究では,カテゴリー別ノイズを動的に除去する参照ガイドブロックを提案する。 複数のカスケードコードブックによって正規分布を特徴付けるために、オフライン残留量子化器を提案する。
• 参考スコア（独自算出の注目度）: 2.363388546004777
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-modal industrial anomaly detection typically relies on separate models for each product category, fundamentally limiting practical scalability. When shifting to a unified paradigm that handles diverse classes simultaneously, detection accuracy often degrades due to inter-class interference and feature manifold confusion. To overcome these challenges, we propose a Unified Reference guided Cross-modal Mapping framework, named Uni-RCM. At its core, we propose a reference guide block to dynamically filter out category-specific noise by introducing a learnable reference feature, which captures the commonalities across different modalities. Besides, an offline residual quantizer is proposed to characterize the normal distribution by multiple cascaded codebooks. Extensive evaluations on the MVTec-3D AD dataset demonstrate the state-of-the-art performance in the challenging multi-class setting and in terms of image-level detection and pixel-level localization.
• Abstract（参考訳）: マルチモーダルな産業異常検出は、通常、各製品カテゴリの別々のモデルに依存しており、基本的には実用的スケーラビリティを制限している。 多様なクラスを同時に扱う統一パラダイムに移行すると、クラス間の干渉や特徴多様体の混乱によって検出精度が劣化する。 これらの課題を克服するために,Uni-RCM という,Uniified Reference Guided Cross-modal Mapping フレームワークを提案する。 そこで本研究では,学習可能な参照機能を導入して,カテゴリ固有のノイズを動的にフィルタリングする参照ガイドブロックを提案する。 さらに、複数のカスケードコードブックによって正規分布を特徴付けるために、オフライン残差量子化器を提案する。 MVTec-3D ADデータセットの広範囲な評価は、挑戦的なマルチクラス設定および画像レベルの検出とピクセルレベルのローカライゼーションの観点から、最先端のパフォーマンスを示す。

関連論文リスト

• Text-Guided Multimodal Unified Industrial Anomaly Detection [71.95719669933312]
  そこで本研究では,テキストセマンティクスによって導かれる多モーダル産業異常検出フレームワークを提案する。 フレームワークは、Geometry-Aware Cross-Modal MapperとObject-Conditioned Textual Feature Adaptorの2つのコアモジュールで構成されている。 本手法は,教師なし環境下での分類とローカライゼーションにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2026-04-24T13:21:22Z)
• Explainable Deep Convolutional Multi-Type Anomaly Detection [0.3845204730009788]
  ほとんどの説明可能な異常検出法は、しばしば異常を識別するが、異常の種類を区別する能力は欠如している。 提案するMultiTypeFCDDは,説明可能な多型異常検出のための実用的な代替手段として設計された,シンプルで軽量な畳み込みフレームワークである。 提案手法をReal-IADデータセット上で評価し,最先端の複雑なモデルと競合する結果をもたらす。
  論文  参考訳（メタデータ） (2025-11-14T11:04:34Z)
• UniMMAD: Unified Multi-Modal and Multi-Class Anomaly Detection via MoE-Driven Feature Decompression [74.0893986012049]
  UniMMADは、マルチモーダルおよびマルチクラスの異常検出のための統一されたフレームワークである。 UniMMADは、9つの異常検出データセット上で、3つのフィールド、12のモダリティ、66のクラスにまたがる最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-09-30T08:29:12Z)
• Hierarchical Identity Learning for Unsupervised Visible-Infrared Person Re-Identification [81.3063589622217]
  教師なし可視赤外線人物再識別(USVI-ReID)は、ラベルのないクロスモーダルな人物データセットからモダリティ不変の画像特徴を学習することを目的としている。
  論文  参考訳（メタデータ） (2025-09-15T05:10:43Z)
• CNC: Cross-modal Normality Constraint for Unsupervised Multi-class Anomaly Detection [34.675120608542265]
  本稿では,クラスに依存しない学習可能なプロンプトを利用して,デコードされた特徴を正規のテキスト表現へ導く手法を提案する。 本手法は,MVTec AD と VisA のデータセット上での競合性能を実現し,その性能を実証する。
  論文  参考訳（メタデータ） (2024-12-31T08:43:44Z)
• MMCL: Boosting Deformable DETR-Based Detectors with Multi-Class Min-Margin Contrastive Learning for Superior Prohibited Item Detection [8.23801404004195]
  X線画像における禁止項目検出は、最も効果的なセキュリティ検査方法の1つである。 X線画像における特異な現象が重なり合うと、前景と背景の特徴が結合する。 コンテンツクエリのカテゴリ意味情報を明らかにするために,Multi-class Min-Margin Contrastive Learning (MMCL)法を提案する。
  論文  参考訳（メタデータ） (2024-06-05T12:07:58Z)
• Toward Multi-class Anomaly Detection: Exploring Class-aware Unified Model against Inter-class Interference [67.36605226797887]
  統一型異常検出(MINT-AD)のためのマルチクラスインプリシトニューラル表現変換器を提案する。 マルチクラス分布を学習することにより、モデルが変換器デコーダのクラス対応クエリ埋め込みを生成する。 MINT-ADは、カテゴリと位置情報を特徴埋め込み空間に投影することができ、さらに分類と事前確率損失関数によって監督される。
  論文  参考訳（メタデータ） (2024-03-21T08:08:31Z)
• Multi-Class Anomaly Detection based on Regularized Discriminative Coupled hypersphere-based Feature Adaptation [85.15324009378344]
  本稿では,修正正規化識別変分オートエンコーダ(RD-VAE)によって得られたクラス識別特性を特徴抽出プロセスに組み込んだ新しいモデルを提案する。 提案した正規化識別型超球型特徴適応(RD-CFA)は,多クラス異常検出のための解である。
  論文  参考訳（メタデータ） (2023-11-24T14:26:07Z)
• mixed attention auto encoder for multi-class industrial anomaly detection [2.8519768339207356]
  単一モデルを用いたマルチクラス異常検出を実現するために,MAAE (Mixed-attention Auto Encoder) を提案する。 異なるカテゴリーの分布パターンの多様さによる性能劣化を軽減するために,空間的注意とチャネル的注意を用いた。 MAAEは、最先端の手法と比較して、ベンチマークデータセットで顕著なパフォーマンスを提供する。
  論文  参考訳（メタデータ） (2023-09-22T08:17:48Z)

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。