論文の概要: Normality-Preserving Continual Industrial Anomaly Detection via Orthogonal LoRA Banks

• arxiv url: http://arxiv.org/abs/2606.02042v1
• Date: Mon, 01 Jun 2026 10:30:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:31.797264
• Title: Normality-Preserving Continual Industrial Anomaly Detection via Orthogonal LoRA Banks
• Title（参考訳）: 直交ロラバンクによる正常保存連続産業異常検出
• Authors: Weibai Fang, Haijun Che, Feiyang Ren, Qiancheng Lao,
• Abstract要約: 2つのモジュールをベースとした正規性保存連続異常検出フレームワークを提案する。 HF-OLBはトレーニング済みのU-Netバックボーンと学習済みのLoRAバンクの両方を凍結する。 HNABGは層依存性の残余容量を割り当て、残余の正規性が既存の銀行の表現能力を超える場合にのみ銀行を拡大する。
• 参考スコア（独自算出の注目度）: 0.1259953341639576
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Continual industrial anomaly detection with diffusion models suffers from historical normality prior drift and catastrophic forgetting. Existing continual diffusion methods preserve previous knowledge through replay or constrained optimization, but they lack an explicit mechanism for isolating and protecting category-specific normality priors during sequential adaptation. Although low-rank adaptation provides modular residual updates, standard LoRA neither freezes historical normality subspaces nor prevents new adapters from interfering with previous ones. To address this issue, we propose a normality-preserving continual anomaly detection framework based on two modules: History Frozen Orthogonal LoRA Bank (HF-OLB) and Hierarchical Novelty Adaptive Bank Growth module (HNABG). HF-OLB freezes both the pre-trained U-Net backbone and the learned LoRA banks, and constrains new task-specific normality residuals to the orthogonal complement of historical LoRA subspaces. HNABG further allocates layer-dependent residual capacity and expands the bank only when the residual normality novelty exceeds the expressive capacity of existing banks. Extensive experiments on MVTec and VisA demonstrate the effectiveness of the proposed method. On the challenging VisA 2x6 setting, our method achieves 83.6/91.8 image and pixel level A-AUROC with 3.8/3.9 FM, improving pixel level A-AUROC over the state of the art by 3.2 points while reducing pixel level FM by 1.3. These results show that our method effectively preserves historical normality priors in long horizon continual category sequences.
• Abstract（参考訳）: 拡散モデルによる連続的な産業異常検出は、過去の正常さと破滅的な忘れ込みに悩まされる。 既存の連続拡散法は、リプレイや制約付き最適化を通じて過去の知識を保存するが、逐次適応中にカテゴリー固有の正規性を分離し保護するための明確なメカニズムは欠如している。 低ランク適応はモジュラーな残留更新を提供するが、標準のLoRAは歴史的正規性部分空間を凍結したり、新しいアダプタが以前のものと干渉するのを防いだりしない。 この問題に対処するため,HF-OLB(History Frozen Orthogonal LoRA Bank)とHNABG(Hierarchical Novelty Adaptive Bank Growth Module)の2つのモジュールをベースとした正規性保存型連続異常検出フレームワークを提案する。 HF-OLBは、トレーニング済みのU-Netバックボーンと学習済みのLoRAバンクの両方を凍結し、歴史的なLoRAサブスペースの直交補空間に新しいタスク固有の正規性残基を制約する。 HNABGはさらに、層依存性の残余容量を割り当て、残余の正規性が既存の銀行の表現能力を超える場合にのみ、銀行を拡大する。 MVTec と VisA に関する大規模な実験により,提案手法の有効性が示された。 挑戦的な VisA 2x6 設定では,3.8/3.9 FMの画素レベル A-AUROC と83.6/91.8 の画素レベル A-AUROC を実現し,画素レベル A-AUROC を3.2 ポイント改善し,画素レベル FM を1.3 に削減した。 これらの結果から,本手法は長い地平線連続圏列における過去の正規性を効果的に保存することを示す。

関連論文リスト

• SARD: Segmentation-Aware Anomaly Synthesis via Region-Constrained Diffusion with Discriminative Mask Guidance [4.65786322515141]
  SARD (Segmentation-Aware anomaly synthesis via Region-constrained Diffusion with discriminative mask Guidance) は, 異常生成に特化して設計された新しい拡散型フレームワークである。 SARDは、セグメンテーションの精度と視覚的品質において既存の手法を超越し、ピクセルレベルの異常合成のための新しい最先端技術を確立している。
  論文  参考訳（メタデータ） (2025-08-05T06:43:01Z)
• MAGIC: Mask-Guided Diffusion Inpainting with Multi-Level Perturbations and Context-Aware Alignment for Few-Shot Anomaly Generation [4.773905705768453]
  産業品質管理設定において, 少ない異常データを増大させるための実用的なソリューションとして, ショット異常生成が出現している。 マルチレベル摂動とコンテキスト認識アライメントを備えたMAGIC-Mask-Guided Inpaintingを提案する。 MAGICは、下流の異常なタスクにおいて、過去の最先端のタスクより優れています。
  論文  参考訳（メタデータ） (2025-07-03T04:54:37Z)
• Lazy Layers to Make Fine-Tuned Diffusion Models More Traceable [70.77600345240867]
  新たな任意の任意配置(AIAO)戦略は、微調整による除去に耐性を持たせる。 拡散モデルの入力/出力空間のバックドアを設計する既存の手法とは異なり,本手法では,サンプルサブパスの特徴空間にバックドアを埋め込む方法を提案する。 MS-COCO,AFHQ,LSUN,CUB-200,DreamBoothの各データセットに関する実証研究により,AIAOの堅牢性が確認された。
  論文  参考訳（メタデータ） (2024-05-01T12:03:39Z)
• Excision And Recovery: Visual Defect Obfuscation Based Self-Supervised Anomaly Detection Strategy [1.0358639819750703]
  エキシジョン・アンド・リカバリ(EAR)と呼ばれる新しいリコンストラクション・バイ・インペインティング手法を提案する。 EARは、ImageNetで事前訓練されたDINO-ViTとヒント提供のための視覚的難読化に基づいて、単一の決定論的マスキングを特徴としている。 提案手法は,ニューラルネットワーク構造の変化を伴わずに,高い異常検出性能を実現する。
  論文  参考訳（メタデータ） (2023-10-06T04:40:48Z)
• Subspace-Guided Feature Reconstruction for Unsupervised Anomaly Localization [5.085309164633571]
  監督されていない異常なローカライゼーションは工業生産において重要な役割を担っている。 最近の手法では、事前訓練されたディープニューラルネットワークを用いて、ターゲットサンプルの特徴マッチングや再構成を行う。 本稿では,アノマライゼーションのための適応的特徴近似を追求する,新しいサブスペース誘導型特徴再構成フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-25T06:58:57Z)
• GIFD: A Generative Gradient Inversion Method with Feature Domain Optimization [52.55628139825667]
  Federated Learning(FL)は、クライアントのプライバシを保護するための有望な分散機械学習フレームワークとして登場した。 近年の研究では、事前学習された生成逆ネットワーク(GAN)を事前知識として活用することにより、攻撃者が共有勾配を逆転し、FLシステムに対する機密データを回復できることが示されている。 textbfGradient textbfInversion over textbfFeature textbfDomains (GIFD)を提案する。
  論文  参考訳（メタデータ） (2023-08-09T04:34:21Z)
• DiffusionAD: Norm-guided One-step Denoising Diffusion for Anomaly Detection [80.20339155618612]
  DiffusionADは、再構成サブネットワークとセグメンテーションサブネットワークからなる、新しい異常検出パイプラインである。 高速なワンステップデノゲーションパラダイムは、同等の再現品質を維持しながら、数百倍の加速を達成する。 異常の出現の多様性を考慮し、複数のノイズスケールの利点を統合するためのノルム誘導パラダイムを提案する。
  論文  参考訳（メタデータ） (2023-03-15T16:14:06Z)
• Self-Supervised Masked Convolutional Transformer Block for Anomaly Detection [122.4894940892536]
  本稿では, 自己監督型マスク型畳み込み変圧器ブロック (SSMCTB) について述べる。 本研究では,従来の自己教師型予測畳み込み抑止ブロック(SSPCAB)を3次元マスク付き畳み込み層,チャンネルワイドアテンション用トランスフォーマー,およびハマーロスに基づく新たな自己教師型目標を用いて拡張する。
  論文  参考訳（メタデータ） (2022-09-25T04:56:10Z)

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。