論文の概要: UniVAD v2: Unified Visual Anomaly Detection via Support-Conditioned Boundary Construction

• arxiv url: http://arxiv.org/abs/2606.29714v1
• Date: Mon, 29 Jun 2026 02:38:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:16.022759
• Title: UniVAD v2: Unified Visual Anomaly Detection via Support-Conditioned Boundary Construction
• Title（参考訳）: UniVAD v2: サポート条件境界構築による統一視覚異常検出
• Abstract要約: 視覚異常検出を統一した両面支持構造であるUniVAD v2を提案する。 UniVADのコンポーネントパッチ分割・条件付きフレームワーク上に構築されたUniVAD v2は、最適輸送モデリングモジュール(OTRM)を用いて、通常の側面を強化する。 異常側では、Few-Shot Abnormal Reference Module (FAR) が異常参照を境界調整のための拒絶側証拠に変換する。
• 参考スコア（独自算出の注目度）: 40.70728779828606
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Unified visual anomaly detection seeks to train a single detector that can be deployed across categories, domains, and application scenarios. In the few-shot transfer regime, the key challenge is to estimate an episode-specific boundary for an unseen target category from a small support set. Existing approaches mainly infer this boundary from normal-side evidence and provide limited abnormal-side evidence for deployment-specific tolerance. Within the normal side, they often struggle to jointly capture local correspondences and global support-query relations, making their boundaries less reliable for unseen anomalies. To address these issues, we propose UniVAD v2, a two-sided support-conditioned boundary construction framework for unified visual anomaly detection. Built on the component-patch divide-and-conquer framework of UniVAD, UniVAD v2 strengthens the normal side with an Optimal Transport-based Relational Modeling module (OTRM), which complements retrieval with support-query matching through transport-style allocation, and an Adaptive Coordination mechanism for Retrieval and Relational Modeling (ACRRM), which estimates episode-conditioned reliabilities to fuse the two sources of evidence. On the abnormal side, a Few-Shot Abnormal Reference module (FAR) converts optional abnormal references into rejection-side evidence for boundary adjustment. Experiments on six datasets spanning industrial, logical, and medical anomaly detection demonstrate strong cross-domain generalization. Under the 1N-shot protocol, UniVAD v2 improves the mean image-level AUC over UniVAD from 83.0\% to 84.5\%, and further reaches 85.7\% in the 1N+1A-shot setting. On the MVTec-AD Severity Split (MVTec-AD-SS), UniVAD v2 achieves 96.2\% image-level AUC and 96.9\% pixel-level AUC, showing that abnormal references enable controllable boundary customization without retraining.
• Abstract（参考訳）: 統一された視覚異常検出は、カテゴリ、ドメイン、アプリケーションシナリオにまたがってデプロイ可能な単一の検出器をトレーニングすることを目指している。 数発の転送方式では、小さなサポートセットから目に見えないターゲットカテゴリのエピソード固有の境界を推定することが重要な課題である。 既存のアプローチは主に、この境界を通常の側面の証拠から推測し、デプロイメント固有の許容性を示す限られた異常面の証拠を提供する。 通常側では、彼らはしばしば、ローカルな通信やグローバルなサポート・クエリー関係を共同で捕えるのに苦労し、その境界線が見えない異常に対して信頼性を損なう。 これらの問題に対処するために,両面のサポート条件付き境界構築フレームワークUniVAD v2を提案する。 UniVAD v2は、UniVADのコンポーネントパッチ分割およびコンカヤフレームワークに基づいて構築され、トランスポートスタイルのアロケーションによるサポートクエリマッチングによる検索を補完するOTRM(Optimal Transport-based Relational Modeling Module)と、2つの証拠を融合させるエピソード条件依存度を推定するRetrieval and Relational Modeling(ACRRM)のアダプティブコーディネート機構によって、通常の側面を強化している。 異常側では、Few-Shot Abnormal Reference Module (FAR) は任意の異常参照を境界調整のための拒絶側証拠に変換する。 産業的、論理的、医療的異常検出にまたがる6つのデータセットの実験は、強いクロスドメインの一般化を示している。 1Nショットプロトコルの下で、UniVAD v2は、UniVAD上の平均画像レベルAUCを83.0\%から84.5\%に改善し、1N+1Aショット設定で85.7\%に達する。 MVTec-AD Severity Split (MVTec-AD-SS)では、UniVAD v2は96.2\%画像レベルAUCと96.9\%ピクセルレベルAUCを達成した。

関連論文リスト

• Beyond Static Anchors: Bounded Prototype Conditioning for Language-Free Medical Anomaly Detection [52.986874008247554]
  本稿では,静的アンカーを入力条件付きビジュアルプロトタイプに置き換える言語フリーフレームワークReCAPを提案する。 ReCAPリセンターは、境界ゲート変調により、各画像の正常と異常なプロトタイプを分離した。 3つのセグメンテーションデータセットで最高のゼロショットレベルのAUROCと、24の複数ショット設定のうち23のゼロショットレベルのAUROCを達成する。
  論文  参考訳（メタデータ） (2026-08-01T04:46:55Z)
• XMatchAD: A Cross-Modal Matching Perspective on Reconstruction-based Anomaly Detection [30.401044523780723]
  XMatchADは、疑似クロスモーダルマッチングの観点からタスクを再解釈する新しいUADフレームワークである。 提案手法は,マルチクラスの異常検出と局所化において,優れた性能,最先端の手法よりも優れた性能を実現している。
  論文  参考訳（メタデータ） (2026-07-26T13:47:10Z)
• BoRAD: Bootstrap your Own Representations for Multi-class Anomaly Detection [0.0]
  レコンストラクションに基づく異常検出は, 産業検査には魅力的だが, カテゴリー別訓練から1対1設定までスケールアップすることは困難である。 ラベルのないトレーニングフレームワークである textbfBoRAD を提案し,これを表現能力割当問題として扱う。
  論文  参考訳（メタデータ） (2026-06-12T05:29:25Z)
• 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)
• Unified Unsupervised Anomaly Detection via Matching Cost Filtering [113.43366521994396]
  教師なし異常検出(UAD)は、通常のトレーニングデータのみを用いて画像レベルの異常と画素レベルの異常を識別することを目的としている。 UADモデルの異常コスト量を補正するための汎用的なポストホック精錬フレームワークであるUnified Cost Filtering (UCF) を提案する。
  論文  参考訳（メタデータ） (2025-10-03T03:28:18Z)
• VFM-Guided Semi-Supervised Detection Transformer under Source-Free Constraints for Remote Sensing Object Detection [9.029534000674388]
  VG-DETRは、Vision Foundation Model(VFM)を「フリーランチ」方法でトレーニングパイプラインに統合する。 擬似ラベルの信頼性を評価するために,VFMのセマンティックな事前情報を利用した擬似ラベルマイニング手法を提案する。 さらに,デュアルレベルのVFM誘導アライメント手法を提案し,インスタンスレベルと画像レベルでのVFM埋め込みと検出器特性を一致させる。
  論文  参考訳（メタデータ） (2025-08-15T02:35:56Z)
• NexViTAD: Few-shot Unsupervised Cross-Domain Defect Detection via Vision Foundation Models and Multi-Task Learning [1.7603474309877931]
  NexViTADは、視覚基盤モデルに基づくクロスドメイン異常検出フレームワークである。 産業的異常検出における領域シフト問題に、革新的な共有部分空間投影機構を通じて対処する。 AUCは97.5%、APは70.4%、PRは95.2%である。
  論文  参考訳（メタデータ） (2025-07-10T09:29:26Z)
• UniVAD: A Training-free Unified Model for Few-shot Visual Anomaly Detection [28.994585945398754]
  本稿では,様々な領域にまたがる異常を検出できるVAD法であるUniVADを提案する。 UniVADは、これまで見つからなかったオブジェクトの異常を検出するために、テスト中の参照として通常のサンプルをほとんど必要としない。 産業、論理、医療の分野にまたがる9つのデータセットの実験を行い、UniVADが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2024-12-04T14:20:27Z)
• DA-Flow: Dual Attention Normalizing Flow for Skeleton-based Video Anomaly Detection [52.74152717667157]
  本稿では,DAM(Dual Attention Module)と呼ばれる軽量モジュールを提案する。 フレームアテンション機構を使用して、最も重要なフレームを識別し、スケルトンアテンション機構を使用して、最小パラメータとフロップで固定されたパーティション間の広範な関係をキャプチャする。
  論文  参考訳（メタデータ） (2024-06-05T06:18:03Z)
• Cross-Domain Few-Shot Object Detection via Enhanced Open-Set Object Detector [72.05791402494727]
  本稿では,CD-FSODを用いたクロスドメイン小ショット検出法について検討する。 最小限のラベル付き例で、新しいドメインのための正確なオブジェクト検出器を開発することを目的としている。
  論文  参考訳（メタデータ） (2024-02-05T15:25:32Z)

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。