論文の概要: Hypergraph Normal World Models for Logical Visual Anomaly Detection

• arxiv url: http://arxiv.org/abs/2606.25368v1
• Date: Wed, 24 Jun 2026 03:56:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 17:05:30.213187
• Title: Hypergraph Normal World Models for Logical Visual Anomaly Detection
• Title（参考訳）: 論理的視覚異常検出のためのハイパーグラフ正規世界モデル
• Abstract要約: 本稿では,モデルが名詞のみのイメージから,そのようなカテゴリー固有の正規世界を学ぶことができるかどうかを考察する。 我々は,凍結したDINOv2パッチトークンをパッチ,関係,ハイパーグラフ統計に蒸留する正規専用検出器であるHypergraph Normal World Modelを提案する。 ごく少数の実験で、モデルは非常に限られた正常な画像で有効であることが示されている。
• 参考スコア（独自算出の注目度）: 31.647769944795826
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Visual anomaly detection is often deployed with only normal training images. Most one-class detectors map test patches or features to a normal reference distribution. This works well for local structural defects. Logical anomalies are different. Each visible part may look normal, while the whole image violates a normal count, co-occurrence, or spatial relation. This paper studies whether a model can learn such a category-specific normal world from nominal images alone. We propose the Hypergraph Normal World Model, a normal-only detector that distills frozen DINOv2 patch tokens into patch, relation, and hypergraph statistics. It builds spatial hyperedges over token groups. It then scores each test image with an information quotient that separates local, relational, hyperedge, and hyperedge-relation evidence. On the available MVTec LOCO breakfast-box validation data, the full hypergraph model improves logical anomaly AUROC from 0.8434 for DINOv2 patch-kNN to 0.9279. It also improves over the non-hypergraph variant, from 0.9013 to 0.9279. Few-shot experiments show that the model remains effective with very limited normal images. We also test whether the score reflects normal-world knowledge rather than a shallow mapping. t-SNE separates logical anomalies in the learned energy space. Relation counterfactuals increase the information quotient by 83.13 on average. Random hypergraphs reduce logical AUROC, and hyperedge attribution is much larger on logical anomalies. Qualitative examples show that high scores are driven by relation-bearing terms. These results suggest that logical visual anomaly detection should model normal relations, not only normal local patches.
• Abstract（参考訳）: 視覚異常検出は、通常訓練画像のみで展開されることが多い。 ほとんどの一級検出器はテストパッチや特徴を通常の基準分布にマッピングする。 これは局所的な構造上の欠陥に対して有効である。 論理的異常は異なる。 各可視部は正常に見えるが、全体像は通常の数、共起、空間的関係に反する。 本稿では,モデルが名詞のみのイメージから,そのようなカテゴリー固有の正規世界を学ぶことができるかどうかを考察する。 我々は,凍結したDINOv2パッチトークンをパッチ,関係,ハイパーグラフ統計に蒸留する正規専用検出器であるHypergraph Normal World Modelを提案する。 トークン群の上に空間的ハイパーエッジを構築する。 次に、各テストイメージに、ローカル、リレーショナル、ハイパーエッジ、ハイパーエッジ-リレーションの証拠を分離する情報量でスコア付けする。 利用可能なMVTec LOCO朝食ボックス検証データに基づいて、フルハイパーグラフモデルは論理異常AUROCをDINOv2パッチkNNの0.8434から0.9279に改善する。 ハイパグラフ以外の変種も0.9013から0.9279に改善されている。 ごく少数の実験で、モデルは非常に限られた正常な画像で有効であることが示されている。 また、スコアが浅いマッピングではなく、通常の世界の知識を反映しているかどうかも検証する。 t-SNEは学習エネルギー空間における論理異常を分離する。 関係カウンターファクトは平均83.13倍の情報量を増やす。 ランダムハイパーグラフは論理AUROCを減少させ、ハイパーエッジ属性は論理異常においてはるかに大きい。 定性的な例は、高いスコアは関係性を持つ項によって駆動されることを示している。 これらの結果は、論理的視覚異常検出は正常な局所パッチだけでなく、正常な関係をモデル化するべきであることを示唆している。

関連論文リスト

• Learning a Normal World Model for Few-Shot Boundary-Calibrated Abnormality Detection [31.531107598347713]
  複雑なシステムの異常検出には2つの実用的な障壁がある: 異常ラベルは不足しており、バイナリラベルは、イベントが正常な振る舞いからどのくらい離れているかを定量化しない。 この設定のための正規世界モデリングの定式化について検討する。 モデルは、異常なクラスの大きな不完全な空間を学ぶ代わりに、豊富な通常の事象から通常の世界を学習し、正規性の境界を校正するためにのみ、いくつかの異常な例を使用する。
  論文  参考訳（メタデータ） (2026-06-20T23:15:34Z)
• BUSSARD: Normalizing Flows for Bijective Universal Scene-Specific Anomalous Relationship Detection [27.222384424781975]
  本稿では,画像から生成されたシーングラフの異常関係を検出するための正規化フローベースモデルを提案する。 我々の研究は、実世界の意味的知識を活用するために、シーングラフからオブジェクトと関係トークンを言語モデルに埋め込んだマルチモーダルなアプローチに従っている。 提案手法は,現在の最先端モデルと比較して約10%のAUROC結果が得られると同時に,同時に5倍の高速化を実現している。
  論文  参考訳（メタデータ） (2026-03-17T15:16:40Z)
• Correcting False Alarms from Unseen: Adapting Graph Anomaly Detectors at Test Time [60.341117019125214]
  グラフ異常検出(GAD)における未確認正規pattErnsの修正のための,軽量かつプラグアンドプレイなテスト時間適応フレームワークを提案する。 意味的混乱に対処するために、シフトしたデータと元のデータとをグラフ属性レベルで整合させるグラフ整合器を用いる。 10個の実世界のデータセットに対する大規模な実験により、TUNEは事前学習されたGADモデルの合成パターンと実際の見えない正常パターンの両方への一般化性を著しく向上することが示された。
  論文  参考訳（メタデータ） (2025-11-10T12:10:05Z)
• On the Problem of Consistent Anomalies in Zero-Shot Industrial Anomaly Detection [0.0]
  類似性計算から一貫した異常を識別・フィルタリングする新しいアルゴリズムであるConsistent-Anomaly Detection Graph (CoDeGraph)を導入する。 CoDeGraphはイメージレベルのグラフを構築し、イメージをノードとして、エッジを共通の一貫したアノマリーパターンで接続する。 ViT-L-14-336バックボーンを用いたMVTec ADの実験では、AUROCが98.3%、ASが66.8%であった。
  論文  参考訳（メタデータ） (2025-10-12T05:28:28Z)
• FADE: Few-shot/zero-shot Anomaly Detection Engine using Large Vision-Language Model [0.9226774742769024]
  製造業界における品質検査には,少ないショット・ゼロショット異常検出が重要である。 視覚言語CLIPモデルを利用したFew-shot/zero-shot Anomaly Engine Detection (FADE)を提案する。 FADEは、ゼロショットで89.6%(91.5%)、ノーマルショットで95.4%(97.5%)の異常セグメンテーションにおいて、他の最先端の手法よりも優れている。
  論文  参考訳（メタデータ） (2024-08-31T23:05:56Z)
• FANFOLD: Graph Normalizing Flows-driven Asymmetric Network for Unsupervised Graph-Level Anomaly Detection [18.758250338590297]
  非教師付きグラフレベルの異常検出(UGAD)は、広く応用されているため、関心が高まりつつある。 教師なしグラフレベル異常検出(FANFOLD)のためのグラフ正規化フロー駆動型非対称ネットワークを提案する。
  論文  参考訳（メタデータ） (2024-06-29T09:49:16Z)
• GLAD: Towards Better Reconstruction with Global and Local Adaptive Diffusion Models for Unsupervised Anomaly Detection [60.78684630040313]
  拡散モデルは、特定のノイズを付加したテスト画像の通常の画像を再構成する傾向がある。 世界的視点から見ると、異なる異常による画像再構成の難しさは不均一である。 本稿では,非教師付き異常検出のためのグローバルかつ局所的な適応拡散モデル(GLADと略す)を提案する。
  論文  参考訳（メタデータ） (2024-06-11T17:27:23Z)
• ADA-GAD: Anomaly-Denoised Autoencoders for Graph Anomaly Detection [84.0718034981805]
  我々はAnomaly-Denoized Autoencoders for Graph Anomaly Detection (ADA-GAD)という新しいフレームワークを導入する。 第1段階では,異常レベルを低減したグラフを生成する学習自由な異常化拡張法を設計する。 次の段階では、デコーダは元のグラフで検出するために再訓練される。
  論文  参考訳（メタデータ） (2023-12-22T09:02:01Z)
• Industrial and Medical Anomaly Detection Through Cycle-Consistent Adversarial Networks [0.6554326244334868]
  産業用および医療用画像に対する新しい異常検出(AD)手法を提案する。 提案手法では,Cycle-Generative Adrial Networks (Cycle-GAN) を用いて正規語から正規語への翻訳を行う。 その結果, 正負の制約をゼロとする精度が, 最先端の手法と比較して高いことがわかった。
  論文  参考訳（メタデータ） (2023-02-10T10:25:12Z)
• Deep Graph-level Anomaly Detection by Glocal Knowledge Distillation [61.39364567221311]
  グラフレベルの異常検出(GAD)は、その構造やノードの特徴に異常なグラフを検出する問題を記述している。 GADの課題の1つは、局所的および大域的非正則グラフの検出を可能にするグラフ表現を考案することである。 本稿では,グラフとノード表現の連成ランダム蒸留により,グローバルおよびローカルな正規パターン情報を豊富に学習するGADのための新しい深部異常検出手法を提案する。
  論文  参考訳（メタデータ） (2021-12-19T05:04:53Z)
• Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
  本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。 提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。 我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
  論文  参考訳（メタデータ） (2021-08-01T14:33:17Z)
• Deep Weakly-supervised Anomaly Detection [118.55172352231381]
  ペアワイズ関係予測ネットワーク(PReNet)は、ペアワイズ関係の特徴と異常スコアを学習する。 PReNetは、学習したペアの異常パターンに適合する見知らぬ異常を検出できる。 12の実世界のデータセットに対する実証的な結果から、PReNetは目に見えない異常や異常を検知する9つの競合する手法を著しく上回っている。
  論文  参考訳（メタデータ） (2019-10-30T00:40:25Z)

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。