論文の概要: Unification of Closed-Open Industrial Detection Scenarios: New Large-Scale Benchmarks,Challenges and Baselines

• arxiv url: http://arxiv.org/abs/2606.07953v1
• Date: Sat, 06 Jun 2026 03:06:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:05.580644
• Title: Unification of Closed-Open Industrial Detection Scenarios: New Large-Scale Benchmarks,Challenges and Baselines
• Title（参考訳）: クローズド・オープン・インダストリアル・インダストリアル・インテリジェンス・シナリオの統一:新しい大規模ベンチマーク, カオス, ベースライン
• Authors: Zekai Zhang, Jinglin Zhang, Qinghui Chen, Gang Li, Da Chen, Shuainan Jing, He Wang, Dagang Li, Cong Liu, Cong Bai, Shengyong Chen,
• Abstract要約: 大規模マルチモーダル・インダストリアル・オープン・クローズド・ベンチマーク(MMIOC-1M)を導入する。 MMIOC-1Mは、オープンボキャブラリとクローズドセットの工業検出をサポートする最初の統一された最大のベンチマークである。 本稿では,3つの重要なイノベーションを取り入れたRTVPNetを提案する。
• 参考スコア（独自算出の注目度）: 50.471211036005286
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large-scale Visual-Language Models (LVLMs) have achieved remarkable success in natural visual tasks, yet their application to industrial defect detection remains challenging due to two fundamental limitations: (i) the scarcity of large-scale industrial datasets that cover diverse defect categories across multiple domains, and (ii) the reliance on manual prompts (points, boxes, masks) that introduce subjective noise and lack text-visual interaction for fine-grained understanding. To address these challenges, we introduce a Large-Scale Multi-Modal Industrial Open-Closed benchmark (MMIOC-1M) containing over one million samples across $14$ super-categories, $29$ industrial scenes, and $351$ defect subcategories. To our knowledge, MMIOC-1M is the first unified largest benchmark supporting both open-vocabulary and closed-set industrial detection, providing valuable pre-training data for LVLMs in industrial scenarios. Furthermore, we propose a Refined Text-Visual Prompt Network (RTVPNet) that incorporates three key innovations: (1) an expert-assisted domain projection mechanism that enables rapid adaptation of general vision models to industrial domains, (2) an energy-based sparse sampling strategy that automatically generates refined visual prompts without manual intervention, and (3) a bidirectional text-visual interaction module that enhances cross-modal semantic alignment and understanding. Extensive experiments demonstrate that RTVPNet achieves state-of-the-art performance on MMIOC-1M, LVIS, and COCO benchmarks while maintaining computational efficiency. The dataset and code are available at https://github.com/hellozzk/MMIO.
• Abstract（参考訳）: 大規模視覚言語モデル(LVLM)は、自然な視覚タスクにおいて顕著な成功を収めてきたが、工業的欠陥検出への応用は、2つの基本的な制限があるため、依然として困難である。 (i)複数の領域にまたがる多様な欠陥カテゴリをカバーする大規模産業データセットの不足 (二)主観的ノイズを導入し、微妙な理解のためにテキストと視覚的相互作用を欠く手動のプロンプト(ポイント、ボックス、マスク)に依存すること。 これらの課題に対処するため、我々は、14ドルのスーパーカテゴリ、29ドルのインダストリアルシーン、311ドルの欠陥サブカテゴリにわたる100万以上のサンプルを含む大規模マルチモーダル・インダストリアル・オープン・クローズド・ベンチマーク(MMIOC-1M)を紹介した。 我々の知る限り、MMIOC-1Mは、オープンボキャブラリとクローズドセットの工業的検出の両方をサポートする最初の統一された最大のベンチマークであり、産業シナリオにおけるLVLMのための貴重な事前学習データを提供する。 さらに,産業領域への一般ビジョンモデルの迅速な適応を可能にする専門家支援ドメインプロジェクション機構,(2)手動による介入なしに視覚的プロンプトを自動生成するエネルギーベースのスパースサンプリング戦略,(3)モーダル間のセマンティックアライメントと理解を高める双方向テキスト・ビジュアルインタラクションモジュールの3つの重要なイノベーションを取り入れたRTVPNetを提案する。 RTVPNetは、計算効率を維持しながらMMIOC-1M、LVIS、COCOベンチマーク上で最先端のパフォーマンスを達成する。 データセットとコードはhttps://github.com/hellozzk/MMIOで公開されている。

関連論文リスト

• Zero-Shot Learning in Industrial Scenarios: New Large-Scale Benchmark, Challenges and Baseline [28.249460268707978]
  本稿では,ゼロショット産業欠陥検出のためのオープン産業データセットとRTVP(Refined Text-Visual Prompt)を提案する。 MMIOは、産業用ゼロショット学習のための、最初の大規模マルチシーン事前学習データセットである。 RTVPは画像から直接視覚的プロンプトを自動生成し、テキストと視覚的プロンプトの相互作用を考慮する。
  論文  参考訳（メタデータ） (2026-06-06T03:48:12Z)
• FORGE: Fine-grained Multimodal Evaluation for Manufacturing Scenarios [58.34124792457706]
  製造業セクターは、単純な認識から自律的な実行に移行するために、MLLM(Multimodal Large Language Models)をますます採用している。 進捗は、データの不足と、既存のデータセットにおけるきめ細かいドメインセマンティクスの欠如によって妨げられている。 まず、実世界の2D画像と3Dポイントクラウドを組み合わせて、微粒なドメインセマンティクスを付加した高品質なデータセットを構築します。 次に, 3 つの製造課題,すなわち, 構造面検査, 組立検査, 組立検証の18の最先端MLLMを評価し, 大幅な性能差を明らかにした。
  論文  参考訳（メタデータ） (2026-04-08T12:23:27Z)
• Referring Industrial Anomaly Segmentation [38.4461918800367]
  産業異常検出(IAD)は製造に不可欠であるが、従来の手法では課題に直面している。 本稿では,検出の誘導に言語を活用するパラダイムであるReferring Industrial Anomaly (RIAS)を提案する。 これをサポートするためにMVTec-Refデータセットを導入し,多様な参照表現を用いて設計し,異常パターンに着目した。
  論文  参考訳（メタデータ） (2026-02-03T15:53:30Z)
• SSVP: Synergistic Semantic-Visual Prompting for Industrial Zero-Shot Anomaly Detection [55.54007781679915]
  本稿では,多種多様な視覚的エンコーディングを効率よく融合させ,モデルの微粒化知覚を高めるSynergistic Semantic-Visual Prompting (SSVP)を提案する。 SSVPは、MVTec-AD上で93.0%のImage-AUROCと92.2%のPixel-AUROCで最先端のパフォーマンスを達成し、既存のゼロショットアプローチを著しく上回っている。
  論文  参考訳（メタデータ） (2026-01-14T04:42:19Z)
• Towards Open-Vocabulary Industrial Defect Understanding with a Large-Scale Multimodal Dataset [1.1470070927586018]
  IMDD-1Mは,1000,000組の画像テキストペアからなる,最初の大規模産業用マルチモーダル欠陥データセットである。 このデータセットは、分類、セグメンテーション、検索、キャプション、生成モデリングを含む広範囲のアプリケーションを可能にする。
  論文  参考訳（メタデータ） (2025-12-30T11:45:22Z)
• OnePiece: Bringing Context Engineering and Reasoning to Industrial Cascade Ranking System [61.12400636463362]
  OnePieceは、LLMスタイルのコンテキストエンジニアリングと推論を、検索モデルとランキングモデルの両方にシームレスに統合する統合フレームワークである。 OnePieceは、Shopeeの主要なパーソナライズされた検索シナリオにデプロイされ、さまざまな主要なビジネス指標で一貫したオンラインゲインを実現している。
  論文  参考訳（メタデータ） (2025-09-22T17:59:07Z)
• Leveraging Generative Models for Real-Time Query-Driven Text Summarization in Large-Scale Web Search [54.987957691350665]
  クエリ駆動テキスト要約(QDTS)は、与えられたクエリに基づいてテキスト文書から簡潔で情報的な要約を生成することを目的としている。 従来の抽出的要約モデルは、主にランク付け候補の要約セグメントに基づいており、産業応用において支配的なアプローチとなっている。 産業Web検索におけるリアルタイムQDTSに対処するための生成モデルの適用を開拓するための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-28T08:51:51Z)
• MVIP -- A Dataset and Methods for Application Oriented Multi-View and Multi-Modal Industrial Part Recognition [0.27309692684728604]
  MVIPはマルチモーダルおよびマルチビューアプリケーション指向の産業部品認識のための新しいデータセットである。 MVIPの主な目的は、下流タスクにおける様々な最先端メソッドの転送可能性の研究とプッシュである。
  論文  参考訳（メタデータ） (2025-02-21T13:22:29Z)

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。