論文の概要: LogiCo: A Unified Framework for Logical and Structural Anomaly Detection

• arxiv url: http://arxiv.org/abs/2606.28688v1
• Date: Sat, 27 Jun 2026 01:59:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:15.644855
• Title: LogiCo: A Unified Framework for Logical and Structural Anomaly Detection
• Title（参考訳）: LogiCo: 論理的および構造的異常検出のための統一フレームワーク
• Abstract要約: コンポーネントレベルの特徴再構成による異常検出のための統合フレームワークであるLogiCoを提案する。 LogiCoはコンポーネントレベルの新しい特徴再構成技術を使用して、コンポーネント間の論理的制約をキャプチャする。 LogiCoは4つのベンチマークで論理的および構造的異常検出の両方で最先端のパフォーマンスを実現している。
• 参考スコア（独自算出の注目度）: 14.7697316308972
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Current anomaly detection methods primarily focus on structural anomalies, while paying insufficient attention to anomalies that violate logical constraints. Conversely, top-performing logical anomaly detection approaches address this by modeling global semantic consistency, but perform poorly on subtle structural anomalies due to inadequate detection granularity. In this paper, we propose LogiCo, a unified framework for Logical and structural anomaly detection via Component-level feature reconstruction. Unlike existing methods that rely on explicit global semantic modeling, LogiCo employs a novel component-level feature reconstruction technique to capture inter-component logical constraints. Specifically, LogiCo maps pre-trained image features into a discrete component-level feature space and performs collaborative feature reconstruction at both component and patch levels, enabling it to effectively detect both logical and structural anomalies. Furthermore, to address the specific challenge of count-related logical anomalies, we integrate a segmentation-map discriminator that extends the model's capability to identify quantitative inconsistencies. LogiCo achieves state-of-the-art performance on both logical and structural anomaly detection across four benchmarks, including MVTec-LOCO, MVTec-AD, VisA, and Real-IAD, demonstrating its superiority and practical feasibility. The code is available at https://github.com/cnulab/LogiCo.
• Abstract（参考訳）: 現在の異常検出方法は、主に構造的異常に焦点を当て、論理的制約に反する異常に十分な注意を払っている。 逆に、トップパフォーマンスの論理的異常検出アプローチは、グローバルな意味的一貫性をモデル化することでこの問題に対処するが、不適切な検出粒度のため微妙な構造的異常に対しては不十分に対処する。 本稿では,コンポーネントレベルの特徴再構成による論理的および構造的異常検出のための統合フレームワークであるLogiCoを提案する。 明示的なグローバルセマンティックモデリングに依存する既存の方法とは異なり、LogiCoはコンポーネント間の論理的制約をキャプチャするために、新しいコンポーネントレベルの特徴再構成技術を採用している。 特にLogiCoは、事前訓練された画像の特徴を独立したコンポーネントレベルの特徴空間にマッピングし、コンポーネントレベルとパッチレベルの両方で協調的な特徴再構成を実行し、論理的および構造的両方の異常を効果的に検出できるようにする。 さらに、カウント関連論理異常の特定の問題に対処するために、モデルの量的矛盾を識別する能力を拡張するセグメンテーションマップ判別器を統合する。 LogiCoは、MVTec-LOCO、MVTec-AD、VisA、Real-IADを含む4つのベンチマークにおいて、論理的および構造的異常検出の両方で最先端のパフォーマンスを実現し、その優位性と実用性を示している。 コードはhttps://github.com/cnulab/LogiCo.comで入手できる。

関連論文リスト

• ReasoningLens: Hierarchical Visualization and Diagnostic Auditing for Large Reasoning Models [73.59878306788815]
  ReasoningLensは、複雑な推論チェーンの階層的な可視化と診断監査のために設計されたオープンソースのフレームワークである。 ReasoningLensは、(1)高レベルの戦略と低レベルの実行を分離する対話的階層にトレースを構造化し、(2)エージェント監査を自動エラー検出とツール拡張検証に活用する。
  論文  参考訳（メタデータ） (2026-06-22T14:28:35Z)
• Modular Diffusion Models for Structured Visual Recognition [52.38687800325397]
  与えられた入力画像に対する構造化出力の分布を学習する,シンプルで斬新なフレームワークであるModular Diffusion Models (MDMs)を提案する。 MDMは拡散過程を異なるタスク固有のモジュールに分解し、それぞれが構造化情報空間の異なる側面を捉えることに重点を置いている。 このモジュール設計により、各コンポーネントは独立して学習でき、追加のトレーニングなしで推論時にシームレスに統合できる。
  論文  参考訳（メタデータ） (2026-06-21T22:38:35Z)
• UniSLAD: A Unified Framework for Structural and Logical Industrial Visual Anomaly Detection [4.587829504952397]
  我々はUniSLADと呼ばれる統一されたフレームワークを提案し、追加のトレーニングなしで論理的および構造的異常に共同で対処する。 まず、局所的なテクスチャ認識のための畳み込みニューラルネットワーク(CNN)バックボーンと、グローバルな文脈推論のためのTransformerバックボーンを相乗的に統合する2機能抽出器を提案する。 パッチレベルでは、Mahalanobis Transform (MT)によって強化されたメモリバンクは、代表的特徴を保持し、より差別的な異常スコアをサポートする。
  論文  参考訳（メタデータ） (2026-06-18T13:11:31Z)
• 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)
• Beyond the Aggregation Dilemma: Prior-Retaining Decoupled Learning for Multimodal Graphs [69.56407708794845]
  MultimodalAttributed Graph Learning (MAGL)はグラフアグリゲーションを通じてノード属性と構造トポロジーを統合する。 事前訓練されたエンコーダがLarge Foundation Models (LFM) へと進化するにつれて、MAGLのランドスケープは根本的に変化していく。 高信頼のLFM先行の下では、強制集約は、識別シグナルを圧倒するトポロジカル固有のノイズを導入する。 本稿では、分離されたデュアルパスパラダイムであるSUPRA(Shared-Unique Prior-Retaining Architecture)を提案する。 SUPRAは、トポロジ・アグノシクスによるモーダリティ特異的な特徴を処理し、軽量共有GNNを介して構造相乗効果を捉え、補助的な深層監視対策の勾配飢餓を発生させる。
  論文  参考訳（メタデータ） (2026-05-23T17:42:25Z)
• Noise & pattern: identity-anchored Tikhonov regularization for robust structural anomaly detection [58.535473924035365]
  異常検出は自動産業検査において重要な役割を担い、他の均一な視覚パターンの微妙な欠陥や稀な欠陥を識別することを目的としている。 自己教師型オートエンコーダを用いて, 破損した入力の修復を学習する構造的異常検出に取り組む。 構造欠陥を模倣した画像に人工的破壊を注入する汚職モデルを導入する。
  論文  参考訳（メタデータ） (2025-11-10T15:48:50Z)
• Towards Training-free Anomaly Detection with Vision and Language Foundation Models [17.991678161890174]
  異常検出は、産業品質検査のような現実世界の応用に有用である。 論理的および構造的異常検出のトレーニングを必要としない新しいマルチモーダルフレームワークであるLogSADを紹介する。
  論文  参考訳（メタデータ） (2025-03-24T04:07:59Z)
• Revisiting Deep Feature Reconstruction for Logical and Structural Industrial Anomaly Detection [2.3020018305241337]
  産業異常検出は品質管理と予測維持に不可欠である。 既存の手法では、深層学習ネットワークから抽出された画像パッチから複数スケールの特徴を活用することで、デントやスクラッチなどの構造異常を一般的に検出する。 構造異常を検出するためのメモリと計算効率のよいアプローチであるDeep Feature Restruction (DFR) に注目し,これらの制約に対処する。 我々はさらに、DFRをUDSADと呼ばれる統一されたフレームワークに拡張し、構造的および論理的異常の両方を検出する。
  論文  参考訳（メタデータ） (2024-10-21T17:56:47Z)
• LogicAL: Towards logical anomaly synthesis for unsupervised anomaly localization [3.180143442781838]
  異常なローカライゼーションは工業生産ライン効率を向上させるための実用的な技術である。 本稿では,論理的および構造的両方の異常をフォトリアリスティックに生成する,エッジ操作に基づく異常合成フレームワーク LogicAL を提案する。
  論文  参考訳（メタデータ） (2024-05-11T02:10:05Z)
• Logic-induced Diagnostic Reasoning for Semi-supervised Semantic Segmentation [85.12429517510311]
  LogicDiagは、セマンティックセグメンテーションのためのニューラルネットワークによる半教師付き学習フレームワークである。 私たちの重要な洞察は、記号的知識によって識別される擬似ラベル内の衝突は、強いが一般的に無視される学習信号として機能する、ということです。 本稿では,論理規則の集合として意味論的概念の構造的抽象化を定式化するデータ・ハングリーセグメンテーションシナリオにおけるLogicDiagの実践的応用について紹介する。
  論文  参考訳（メタデータ） (2023-08-24T06:50:07Z)
• Learning Global-Local Correspondence with Semantic Bottleneck for Logical Anomaly Detection [6.553276620691242]
  本稿では,論理的制約を伴う視覚異常検出のためのGlobal-Local Cor correspondingence Framework (GLCF) という新しいフレームワークを提案する。 視覚異常検出は、産業的異常検出や医学的疾患の診断など、様々な現実世界の応用において活発な研究領域となっている。
  論文  参考訳（メタデータ） (2023-03-10T08:09:40Z)

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。