論文の概要: Visual Prompting Meets Feature Reconstruction-Based Anomaly Detection with Dual-Teacher Supervision

• arxiv url: http://arxiv.org/abs/2606.09670v1
• Date: Mon, 08 Jun 2026 15:52:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:07.486091
• Title: Visual Prompting Meets Feature Reconstruction-Based Anomaly Detection with Dual-Teacher Supervision
• Title（参考訳）: Dual-Teacher Supervision による特徴再構成に基づく異常検出を実現する Visual Prompting
• Authors: Mateo Diaz-Bone, Daniel Caraballo, Florian Scheidegger, Thomas Frick, Mattia Rigotti, Andrea Bartezzaghi, Roy Assaf, Niccolo Avogaro, Yagmur G. Cinar, Brown Ebouky, Filip M. Janicki, Piotr S. Kluska, Cezary Skura, Cristiano Malossi,
• Abstract要約: 前景のマスキングを用いてオブジェクトを分離する視覚的プロンプトパイプラインを導入する。 また,学習者モデルにおける教師の解凍機構を導入し,ドメイン適応性を向上させる。 AeBADデータセットの課題に対して,前回の最先端よりも3.5パーセントの改善を実現した。
• 参考スコア（独自算出の注目度）: 7.548589503544904
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent Anomaly Detection methods achieve perfect detection and segmentation scores on well-established datasets, such as MVTec. However, many of these methods face challenges when foundational assumptions - such as consistent object scale, viewpoint, background, illumination, and centered placement - are violated. Those variations that occur render anomaly detection methods unusable in many real-world scenarios. To address these limitations, we introduce three key contributions: (1) a visual prompting pipeline that isolates objects using foreground-background masking; (2) a mechanism for unfreezing the teacher in student-teacher models to improve domain adaptability; and (3) a data augmentation strategy leveraging diffusion-generated synthetic images to enhance anomaly detection performance. We achieve a 3.5 percentage point improvement over the previous state-of-the-art on the challenging AeBAD dataset by using the Masked Multiscale Reconstruction (MMR) model as our backbone.
• Abstract（参考訳）: 最近の異常検出手法は、MVTecのような確立されたデータセット上で完全な検出とセグメンテーションスコアを達成する。 しかし、これらの手法の多くは、一貫性のあるオブジェクトスケール、視点、背景、照明、中心的な配置など、基本的な仮定が違反する場合に直面する。 多くの現実のシナリオでは使用不可能なレンダリング異常検出メソッドが発生する。 これらの制約に対処するため,(1)前景マスキングを用いて物体を分離する視覚的プロンプトパイプライン,(2)教師がドメイン適応性を向上させるために教師を解放するメカニズム,(3)拡散合成画像を利用したデータ拡張戦略による異常検出性能の向上,の3つの主要な貢献を紹介する。 我々は,Masked Multiscale Reconstruction(MMR)モデルをバックボーンとして使用することにより,従来のAeBADデータセットよりも3.5パーセントの改善を実現した。

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)
• AnomalyVFM -- Transforming Vision Foundation Models into Zero-Shot Anomaly Detectors [6.6016630449883955]
  Anomaly VFMは、任意の事前訓練されたVFMを強力なゼロショット・アノマリー検出器に変えるフレームワークである。 提案手法は,頑健な3段階合成データセット生成手法とパラメータ効率適応機構を組み合わせたものである。 9つの異なるデータセットの平均画像レベルAUROCは94.1%であり、以前の手法を3.3%上回っている。
  論文  参考訳（メタデータ） (2026-01-28T12:02:58Z)
• Topology-Aware Modeling for Unsupervised Simulation-to-Reality Point Cloud Recognition [63.55828203989405]
  我々はオブジェクトポイントクラウド上でSim2Real UDAのための新しいTopology-Aware Modeling (TAM)フレームワークを紹介する。 提案手法は,低レベルの高周波3次元構造を特徴とするグローバル空間トポロジを利用して,領域間隙を緩和する。 本稿では,クロスドメイン・コントラスト学習と自己学習を組み合わせた高度な自己学習戦略を提案する。
  論文  参考訳（メタデータ） (2025-06-26T11:53:59Z)
• Towards Unified 3D Object Detection via Algorithm and Data Unification [70.27631528933482]
  我々は、最初の統一型マルチモーダル3Dオブジェクト検出ベンチマークMM-Omni3Dを構築し、上記のモノクロ検出器をマルチモーダルバージョンに拡張する。 設計した単分子・多モード検出器をそれぞれUniMODEとMM-UniMODEと命名した。
  論文  参考訳（メタデータ） (2024-02-28T18:59:31Z)

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。