論文の概要: Learning Topology-Aware Representations via Test-Time Adaptation for Anomaly Segmentation

• arxiv url: http://arxiv.org/abs/2606.28268v1
• Date: Fri, 26 Jun 2026 17:04:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-29 18:24:25.543734
• Title: Learning Topology-Aware Representations via Test-Time Adaptation for Anomaly Segmentation
• Title（参考訳）: 異常セグメンテーションのためのテスト時間適応によるトポロジー認識表現の学習
• Abstract要約: TopoTTAは、トポロジ的データ分析のツールである永続的ホモロジーをテスト時間パイプラインに統合する、新しいフレームワークである。 軽量なテストタイム分類器を導く頑健なトポロジカルな擬似ラベルを導出し、バックボーンモデルを再訓練することなくセグメンテーション品質を向上させる。 大規模な実験では、最先端の教師なし異常検出およびセグメント化手法よりも平均15%のF1改善が示されている。
• 参考スコア（独自算出の注目度）: 12.965117238061096
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Test-time adaptation (TTA) has emerged as a promising paradigm for mitigating distribution shifts in deep models. However, existing TTA approaches for anomaly segmentation remain limited by their reliance on pixel-level heuristics, such as confidence thresholding or entropy minimisation, which fail to preserve structural consistency under noise and texture variation. Moreover, they typically treat anomaly maps as flat intensity fields, ignoring the higher-order spatial relationships that characterise complex defect geometries. We introduce TopoTTA (Topological Test-Time Adaptation), a novel framework that integrates persistent homology, a tool from topological data analysis, into the TTA pipeline to enforce geometric and structural coherence during adaptation. By applying multi-level cubical complex filtration to anomaly score maps, TopoTTA derives robust topological pseudo-labels that guide a lightweight test-time classifier, enhancing segmentation quality without retraining the backbone model. The approach avoids reliance on method-specific raw-score thresholding for mask binarisation, preserves connectivity, and generalises across both 2D and 3D modalities. Extensive experiments across six standard benchmarks (MVTec AD, VisA, Real-IAD, MVTec 3D-AD, AnomalyShapeNet, and MVTec LOCO) demonstrate an average 15% F1 improvement over state-of-the-art unsupervised anomaly detection and segmentation methods, with the largest gains on anomalies exhibiting complex geometric or structural variations. These findings suggest that integrating topological reasoning into test-time adaptation provides a principled route to structure-aware generalisation, bridging the gap between geometric learning and robust adaptation.
• Abstract（参考訳）: テスト時間適応(TTA)は、深層モデルにおける分散シフトを緩和するための有望なパラダイムとして登場した。 しかし、既存のTTA手法は、ノイズやテクスチャの変動による構造的一貫性の維持に失敗した信頼しきい値やエントロピーの最小化のような画素レベルのヒューリスティックに依存しているため、依然として制限されている。 さらに、それらは典型的に、異常写像を平坦な強度場として扱い、複雑な欠陥幾何学を特徴づける高次の空間関係を無視している。 TopoTTA(トポロジカルテスト時間適応)は、トポロジカルデータ解析のツールである永続的ホモロジーをTTAパイプラインに統合し、適応中に幾何的および構造的コヒーレンスを強制する新しいフレームワークである。 TopoTTAは、多レベル立方体フィルタを異常スコアマップに適用することにより、軽量なテストタイム分類器を案内する頑健なトポロジカル擬ラベルを導出し、バックボーンモデルを再訓練することなくセグメンテーション品質を向上させる。 このアプローチは、マスクバイナライゼーションのためのメソッド固有の生スコアしきい値への依存を回避し、接続性を保ち、2Dモードと3Dモードの両方で一般化する。 6つの標準ベンチマーク(MVTec AD, VisA, Real-IAD, MVTec 3D-AD, AnomalyShapeNet, MVTec LOCO)の広範な実験は、最先端の教師なし異常検出およびセグメンテーション手法よりも平均15%F1の改善を示し、複雑な幾何学的または構造的なバリエーションを示す異常に対して最大の利益がある。 これらの結果から, トポロジカル推論をテスト時間適応に統合することは, 幾何学的学習とロバスト適応のギャップを埋める, 構造認識の一般化への原則的経路をもたらすことが示唆された。

関連論文リスト

• Symmetric Divergence and Normalized Similarity: A Unified Topological Framework for Representation Analysis [17.24563134209321]
  我々は,微細な構造診断とロバストな標準化された評価を支援する統合トポロジカルツールキットを開発した。 不均一な設定で信頼性の高いベンチマークを可能にするために、正規化された位相類似性(NTS)を提案する。 NTS は -1 と 1 の間に有界なスケール不変距離を求め、非正規化された発散物のスケールとサンプル依存性を効果的に克服する。
  論文  参考訳（メタデータ） (2026-06-04T16:14:13Z)
• Hierarchical Consistency Learning for Test-time Adaptation in Camouflage Perception [50.278200968044665]
  カモフラージュされた物体検出(COD)は、物理的属性を通して背景から最小限の知覚差を示すターゲットをローカライズすることを目的としている。 既存のメソッドは、静的なTrain-then-freezeパラダイムによって制約されており、ドメインの剛性と依存性のアノテーションに悩まされている。 動的表現再構成のためのテスト時間適応を統合した階層的一貫性学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-25T09:57:46Z)
• A Mean Curvature Approach to Boundary Detection: Geometric Insights for Unsupervised Learning [52.452902154360565]
  本稿では,幾何学的機械学習に基づく新しい幾何学的フレームワークであるMean Curvature Boundary Points (MCBP)を紹介する。 MCBPはデータ多様体の固有曲率を明示的にモデル化し、原理化された多様体のパラメトリゼーションを必要としない点平均曲率を計算する。 合成および実世界のデータセットの実験により、MCBPはクラスタリング性能を一貫して改善することを示した。
  論文  参考訳（メタデータ） (2026-05-05T20:19:09Z)
• Topo-R1: Detecting Topological Anomalies via Vision-Language Models [42.86510112477789]
  トポロジカルな正確性は、血管、神経線維、道路網などの構造にとって重要である。 我々は,様々なトポロジ的異常を検証可能なアノテーションで合成する自動データキュレーションパイプラインを開発した。 次に、トポロジを意識した視覚言語モデルを実現するフレームワークであるTopo-R1を紹介する。
  論文  参考訳（メタデータ） (2026-03-13T15:05:04Z)
• Test-Time Adaptation for Anomaly Segmentation via Topology-Aware Optimal Transport Chaining [10.091031517157411]
  TopoOTはトポロジ対応の最適なトランスポート(OT)フレームワークである。 多重フィルタ永続図(PD)とテスト時間適応(TTA)を統合する。 TopoOTは2Dおよび3D異常検出ベンチマークで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-01-28T07:49:28Z)
• Dense Semantic Matching with VGGT Prior [49.42199006453071]
  本稿では,VGGTの本質的な強みを,初期の特徴段階を再利用し,後続の特徴段階を微調整し,双方向対応のための意味的頭部を追加することによって維持するアプローチを提案する。 提案手法は, 従来のベースラインよりも優れた幾何認識, 整合性, および多様体保存を実現する。
  論文  参考訳（メタデータ） (2025-09-25T14:56:11Z)
• Matching Shapes Under Different Topologies: A Topology-Adaptive Deformation Guided Approach [6.851721795186258]
  非厳密な3Dメッシュマッチングは、コンピュータビジョンとコンピュータグラフィックスパイプラインにおける重要なステップである。 トポロジカルアーティファクトを含むメッシュに取り組み、現在のアプローチによる仮定を破ることができる。 私たちは、しばしばトポロジカルなアーティファクトに悩まされる、フレームごとのマルチビュー再構築のような現実世界のシナリオに動機付けられています。 提案手法は, 従来のデータ駆動手法に頼らず, 3次元アライメント品質の大規模データセットでトレーニングした手法よりも, ノイズの多いフレーム単位のマルチビュー再構成を含む, トポロジカルアーチファクトの非等尺形状や形状に適用される。
  論文  参考訳（メタデータ） (2025-09-08T16:29:44Z)
• TopoTTA: Topology-Enhanced Test-Time Adaptation for Tubular Structure Segmentation [19.36694619611655]
  Topology-enhanced Test-Time Adaptation (TopoTTA)は、Tubular Structure segmentation (TSS)のために設計されたテスト時間適応フレームワークである。 TopoTTAは2つの段階から構成される: ステージ1はトポMDCを用いてドメイン横断的なトポロジカルな不一致にモデルを適応し、ステージ2はトポロジカルなサンプル生成戦略によってトポロジカルな連続性を改善する。 4つのシナリオと10のデータセットにわたる大規模な実験は、トポロジカルな分布シフトを扱う上でのTopoTTAの有効性を示している。
  論文  参考訳（メタデータ） (2025-08-01T08:59:13Z)
• 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)
• Generating and Reweighting Dense Contrastive Patterns for Unsupervised Anomaly Detection [59.34318192698142]
  我々は、先行のない異常発生パラダイムを導入し、GRADと呼ばれる革新的な教師なし異常検出フレームワークを開発した。 PatchDiffは、様々な種類の異常パターンを効果的に公開する。 MVTec ADとMVTec LOCOデータセットの両方の実験も、前述の観測をサポートする。
  論文  参考訳（メタデータ） (2023-12-26T07:08:06Z)
• Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
  本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。 さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。 提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
  論文  参考訳（メタデータ） (2023-11-27T13:14:06Z)

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。