Fugu-MT 論文翻訳(概要): Anomaly Factory 3D: A Modular Framework for Diverse Pseudo-Anomaly Synthesis in Unsupervised 3D Anomaly Detection

論文の概要: Anomaly Factory 3D: A Modular Framework for Diverse Pseudo-Anomaly Synthesis in Unsupervised 3D Anomaly Detection

arxiv url: http://arxiv.org/abs/2606.29181v1
Date: Sun, 28 Jun 2026 03:55:44 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-30 18:07:15.825906
Title: Anomaly Factory 3D: A Modular Framework for Diverse Pseudo-Anomaly Synthesis in Unsupervised 3D Anomaly Detection
Title（参考訳）: 異常ファクトリ3D: 教師なし3次元異常検出における逆擬似異常合成のためのモジュラーフレームワーク
Abstract要約: Anomaly Factory 3D (AF3AD) は、通常の点雲から様々な擬似アノマリーを合成するモジュラーフレームワークである。 AF3ADは、様々な3D異常検出パラダイムにまたがる採用を容易にするスタンドアロンの合成ツールとして設計されている。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Detecting and localizing defects in 3D point clouds is challenging because abnormal samples are scarce and diverse, while training is often limited to normal data. We propose Anomaly Factory 3D (AF3AD), a modular framework that synthesizes diverse pseudo-anomalies from normal point clouds to expand the training data for unsupervised 3D anomaly detection methods that rely on pseudo-anomalies. AF3AD uses a center-conditioned parametric deformation model defined in local PCA frames, with kernel-controlled spatial falloff, anisotropy, directional gating, and normal/tangential displacement fields, enabling a broad set of geometric defect presets. We demonstrate its ease-of-use and effectiveness by integrating AF3AD with an offset-prediction detector and a reconstruction-based anomaly detection method, showing that AF3AD transfers across detection paradigms. Experiments on AnomalyShapeNet and Real3D-AD show consistent improvements in object- and point-level detection and localization, supported by ablations on preset groups and robustness under noise. AF3AD is designed as a standalone synthesis tool to facilitate adoption across different 3D anomaly detection paradigms. Code is available at github.com/vpc-ccg/AF3AD.
Abstract（参考訳）: 3次元点雲における欠陥の検出と位置決めは、異常サンプルが乏しく多様なため難しいが、トレーニングは通常のデータに限られることが多い。本研究では,正規点雲から多様な擬似アノマリーを合成し,擬似アノマリーに依存する教師なし3Dアノマリー検出手法のトレーニングデータを拡張するモジュールフレームワークであるAnomaly Factory 3D (AF3AD)を提案する。 AF3ADは、局所PCAフレームで定義された中心条件パラメトリック変形モデルを使用し、カーネル制御された空間フォールオフ、異方性、指向性ゲーティング、および正規/接角変位場を用いて、幅広い幾何学的欠陥プリセットを可能にする。本稿では,AF3ADをオフセット予測検出器と再構成に基づく異常検出手法に統合することにより,その使いやすさと有効性を実証し,検出パラダイムをまたいでAF3ADが転送されることを示す。 AnomalyShapeNetとReal3D-ADの実験では、事前設定されたグループと雑音下での頑健さにより、オブジェクトレベルとポイントレベルの検出と位置決めが一貫した改善が見られた。 AF3ADは、様々な3D異常検出パラダイムにまたがる採用を容易にするスタンドアロンの合成ツールとして設計されている。コードはgithub.com/vpc-ccg/AF3ADで入手できる。

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)
Open-Set Supervised 3D Anomaly Detection: An Industrial Dataset and a Generalisable Framework for Unknown Defects [19.312310628271806]
自己監督型3D異常検出は、高精度な点雲の取得は計算コストがかかると仮定する。オープンセット型3次元異常検出法について検討し, 正規サンプルと少数の既知の異常サンプルを用いてモデルを訓練した。本稿では,15のカテゴリを含む高品質な産業データセットであるOpen-Industryについて述べる。
論文参考訳（メタデータ） (2026-04-01T17:23:23Z)
A Semantically Disentangled Unified Model for Multi-category 3D Anomaly Detection [3.991584682799934]
3D異常検出は、通常のデータのみに基づいて訓練された3D点雲における欠陥の検出と局所化を目標とする。本稿では,3次元異常検出のためのセマンティック・アンタングル統一モデルを提案する。本手法は, 統一モデルとカテゴリ固有モデルの両方の最先端性を達成し, オブジェクトレベルのAUROCをそれぞれ2.8%, 9.1%改善する。
論文参考訳（メタデータ） (2026-03-26T08:26:46Z)
CASL: Curvature-Augmented Self-supervised Learning for 3D Anomaly Detection [49.74534277563012]
本稿では,再編成パラダイムに基づくCASL(Curvature-Augmented Self-supervised Learning)フレームワークを提案する。提案手法では,各点の空間座標を予測するためにデコーダを誘導するマルチスケール曲率プロンプトを導入する。単純な異常分類の微調整により、先導的な検出性能を実現する。
論文参考訳（メタデータ） (2025-11-17T02:58:09Z)
Stereo-based 3D Anomaly Object Detection for Autonomous Driving: A New Dataset and Baseline [10.933880236559604]
3D検出技術は自動運転の分野で広く利用されている。道路上に現れる稀な異常カテゴリーでは、3D検出モデルはしばしば誤検出または異常検出に失敗する。本稿では,ステレオによる3次元異常物体検出(S3AD)アルゴリズムを提案する。
論文参考訳（メタデータ） (2025-07-12T09:10:29Z)
Bridging 3D Anomaly Localization and Repair via High-Quality Continuous Geometric Representation [1.4763103835215192]
新しいフレームワークは、連続的なポーズ不変の形状表現を学習することで、3D異常の検出と修復を統合する。 Real3D-ADとAnomaly-ShapeNetの実験は最先端の性能を示している。
論文参考訳（メタデータ） (2025-05-30T10:11:49Z)
Towards Zero-shot 3D Anomaly Localization [58.62650061201283]
3DzALは3D異常検出とローカライゼーションのためのパッチレベルの新しいコントラスト学習フレームワークである。 3DzALは最先端の異常検出および局所化性能より優れていることを示す。
論文参考訳（メタデータ） (2024-12-05T16:25:27Z)
R3D-AD: Reconstruction via Diffusion for 3D Anomaly Detection [12.207437451118036]
3次元異常検出は、精密製造における局所固有の欠陥のモニタリングにおいて重要な役割を担っている。埋め込みベースおよび再構築ベースのアプローチは、最も人気があり、成功した方法の一つである。本稿では, 高精度な3次元異常検出のための拡散モデルにより, 異常点雲を再構成するR3D-ADを提案する。
論文参考訳（メタデータ） (2024-07-15T16:10:58Z)
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)
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)
Diffusion-based 3D Object Detection with Random Boxes [58.43022365393569]
既存のアンカーベースの3D検出方法は、アンカーの実証的な設定に依存しており、アルゴリズムはエレガンスを欠いている。提案するDiff3Detは,検出ボックスを生成対象として考慮し,拡散モデルから3次元オブジェクト検出のための提案生成へ移行する。推論段階では、モデルは予測結果にランダムボックスのセットを徐々に洗練する。
論文参考訳（メタデータ） (2023-09-05T08:49:53Z)
Reinforced Axial Refinement Network for Monocular 3D Object Detection [160.34246529816085]
モノクロ3次元物体検出は、2次元入力画像から物体の位置と特性を抽出することを目的としている。従来のアプローチでは、空間から3D境界ボックスをサンプリングし、対象オブジェクトと各オブジェクトの関係を推定するが、有効サンプルの確率は3D空間で比較的小さい。我々は,まず最初の予測から始めて,各ステップで1つの3dパラメータだけを変えて,基礎的真理に向けて徐々に洗練することを提案する。これは、いくつかのステップの後に報酬を得るポリシーを設計する必要があるため、最適化するために強化学習を採用します。
論文参考訳（メタデータ） (2020-08-31T17:10:48Z)

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。