論文の概要: MATCH: Flow Matching for Multi-View Anomaly Detection

• arxiv url: http://arxiv.org/abs/2606.24375v1
• Date: Tue, 23 Jun 2026 10:07:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 22:16:48.896614
• Title: MATCH: Flow Matching for Multi-View Anomaly Detection
• Title（参考訳）: MATCH:マルチビュー異常検出のためのフローマッチング
• Authors: Mathis Kruse, Melissa Schween, Bodo Rosenhahn,
• Abstract要約: フローマッチング(FM)に基づく最初のマルチビュー異常検出手法であるMATCHを提案する。 MATCHは、コンシューマレベルのハードウェア上で動作しながら、異常検出とセグメンテーションの両方で最先端のパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 27.222384424781975
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Detecting anomalies in industrial objects is an important topic for increasing production efficiency. More complex objects often require the analysis of several view points, which has led to the field of multi-view anomaly detection. We present MATCH, the first multi-view anomaly detection method based on Flow Matching (FM). With the ODE formulation of Flow Matching, we can estimate likelihoods and thereby derive an anomaly score to detect anomalies in multi-view image data at object, image, and pixel-level. The architectural flexibility of FM models allows us to efficiently transform features of different spatial sizes to the normal distribution. We evaluate thoroughly on the already established Real-IAD data set and are also the first to provide a comprehensive evaluation of popular anomaly detection methods for the MANTA-Tiny data set. MATCH achieves state-of-the-art performance in both anomaly detection and segmentation, all while running on consumer-level hardware. By omitting the costly divergence term needed for likelihood estimation, we ensure that MATCH is usable in real-time production scenarios. Lastly, several ablation studies are conducted to validate the methodological choices.
• Abstract（参考訳）: 工業用物体の異常検出は生産効率を高める上で重要な課題である。 より複雑なオブジェクトは、しばしば複数の視点の分析を必要とし、それが多視点異常検出の分野に繋がった。 本稿では,フローマッチング(FM)に基づく最初のマルチビュー異常検出手法であるMATCHを提案する。 Flow MatchingのODE定式化により,オブジェクト,画像,ピクセルレベルでの多視点画像データの異常を検出するために,確率を推定し,異常スコアを導出することができる。 FMモデルのアーキテクチャ的柔軟性により、異なる空間サイズの特徴を正規分布に効率よく変換することができる。 我々はすでに確立されているReal-IADデータセットを徹底的に評価し、MANTA-Tinyデータセットに対する一般的な異常検出手法の包括的な評価を初めて行った。 MATCHは、コンシューマレベルのハードウェア上で動作しながら、異常検出とセグメンテーションの両方で最先端のパフォーマンスを達成する。 確率推定に要するコスト分散項を省略することにより,MATCHが実時間生産シナリオで有効であることを保証する。 最後に、方法論的選択を検証するために、いくつかのアブレーション研究を行った。

関連論文リスト

• Towards One-for-All Anomaly Detection for Tabular Data [87.63505963517512]
  タブラル異常検出(TAD)は多くの実世界の応用において重要である。 複数のソースデータセットに対して1回のトレーニングのみを必要とするフレームワークであるOFA-TADを提案する。 14ドメインの34のデータセットに対する実験により、OFA-TADはより優れた異常検出性能が得られることが示された。
  論文  参考訳（メタデータ） (2026-03-15T14:42:05Z)
• CLIP Meets Diffusion: A Synergistic Approach to Anomaly Detection [49.11819337853632]
  異常検出は、異常の定義の曖昧さ、異常型の多様性、トレーニングデータの不足による複雑な問題である。 識別的基盤モデルと生成的基礎モデルの両方を活用するCLIPfusionを提案する。 本手法は, 異常検出の多面的課題に対処する上で, マルチモーダル・マルチモデル融合の有効性を裏付けるものである。
  論文  参考訳（メタデータ） (2025-06-13T13:30:15Z)
• Track Any Anomalous Object: A Granular Video Anomaly Detection Pipeline [63.96226274616927]
  Track Any Anomalous Object (TAO)と呼ばれる新しいフレームワークでは、詳細なビデオ異常検出パイプラインが導入されている。 各画素に異常スコアを割り当てる手法とは異なり、我々の手法は問題から異常オブジェクトの画素レベルの追跡に変換する。 実験の結果、TAOは新しいベンチマークを精度と堅牢性で設定した。
  論文  参考訳（メタデータ） (2025-06-05T15:49:39Z)
• Learning Multi-view Multi-class Anomaly Detection [10.199404082194947]
  MVMCAD(Multi-View Multi-Class Anomaly Detection Model)を導入し、複数のビューからの情報を統合して異常を正確に識別する。 具体的には、凍結エンコーダの前にプリエンコーダの事前拡張機構を追加する半凍結エンコーダを提案する。 AAM(Anomaly Amplification Module)は、グローバルトークンのインタラクションをモデル化し、通常のリージョンを抑圧する。
  論文  参考訳（メタデータ） (2025-04-30T03:59:58Z)
• FiLo: Zero-Shot Anomaly Detection by Fine-Grained Description and High-Quality Localization [31.854923603517264]
  本稿では,新しいゼロショット異常検出法であるFiLoを提案する。 FiLoは、適応学習されたFG-Des(FG-Des)と位置強調された高品質なローカライゼーション(HQ-Loc)の2つのコンポーネントから構成される。 MVTecやVisAのようなデータセットの実験結果から、FiLoは検出とローカライゼーションの両方においてZSADの性能を大幅に向上することが示された。
  論文  参考訳（メタデータ） (2024-04-21T14:22:04Z)
• Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
  具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。 本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
  論文  参考訳（メタデータ） (2024-01-06T07:30:41Z)
• MSFlow: Multi-Scale Flow-based Framework for Unsupervised Anomaly Detection [124.52227588930543]
  教師なし異常検出(UAD)は多くの研究の関心を集め、幅広い応用を推進している。 不明瞭だが強力な統計モデルである正規化フローは、教師なしの方法で異常検出と局所化に適している。 非対称な並列フローと融合フローからなるMSFlowと呼ばれる新しいマルチスケールフローベースフレームワークを提案する。 我々のMSFlowは、検出AUORCスコアが99.7%、ローカライゼーションAUCROCスコアが98.8%、プロスコアが97.1%の新たな最先端技術を実現している。
  論文  参考訳（メタデータ） (2023-08-29T13:38:35Z)
• Detecting Multivariate Time Series Anomalies with Zero Known Label [17.930211011723447]
  MTGFlowは多変量時系列異常検出のための教師なし異常検出手法である。 エンティティ間の複雑な相互依存性と各エンティティ固有の特性は、密度推定に重大な課題を生じさせる。 7つのベースラインを持つ5つの公開データセットの実験が行われ、MTGFlowはSOTA法を最大5.0AUROC%で上回っている。
  論文  参考訳（メタデータ） (2022-08-03T14:38:19Z)

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。