論文の概要: Diffusion-Based Multi-Class Normality for OOD Detection: An Application to CDP Authentication
- arxiv url: http://arxiv.org/abs/2607.00609v1
- Date: Wed, 01 Jul 2026 08:33:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-02 19:56:07.809881
- Title: Diffusion-Based Multi-Class Normality for OOD Detection: An Application to CDP Authentication
- Title（参考訳）: OOD検出のための拡散型マルチクラス正規性:CDP認証への応用
- Abstract要約: コピー検出パターン(CDP)認証では、真偽のサンプルは視覚的に類似しているが、微妙な印刷・デジタル化(P&D)シグネチャが異なる。
本稿では,複数のP&Dクラスからの認証CDPにのみ,単一のクラス条件制御ネットをトレーニングし,信頼クラス条件下での再構成エラーによる偽造検出を行う拡散型多クラス正規化フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 24.87648457099111
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reconstruction-based generative models offer a natural framework for unsupervised out-of-distribution (OOD) detection, but multi-class normality modelling requires a single detector to capture multiple in-distribution manifolds and produce comparable anomaly scores across classes. We study this problem in copy detection pattern (CDP) authentication, where authentic and counterfeit samples are visually similar but differ in subtle printing-and-digitisation (P\&D) signatures. We propose a diffusion based multi-class normality framework in which a single class-conditional ControlNet is trained exclusively on authentic CDPs from multiple P\&D classes and detects counterfeits through reconstruction error under authentic-class conditioning. We further introduce dual template masking, which hides complementary regions of the input template and scores only withheld pixels, reducing reliance on visible binary structure. On the Indigo 1 x 1 Base dataset, the proposed method outperforms traditional and adapted generative baselines under multi-class authentic-versus-counterfeit evaluation, without using counterfeit samples for training or threshold calibration.
- Abstract（参考訳）: レコンストラクションに基づく生成モデルは、教師なしのアウト・オブ・ディストリビューション(OOD)検出のための自然なフレームワークを提供するが、マルチクラスの正規性モデリングは、複数の分布内多様体をキャプチャし、クラス間で同等の異常スコアを生成するために単一の検出器を必要とする。
そこで本研究では, 真偽のサンプルが視覚的に類似しているが, 微妙な印刷・デジタル化(P\&D)シグネチャが異なる, コピー検出パターン(CDP)認証におけるこの問題について検討する。
拡散型多クラス正規化フレームワークを提案する。このフレームワークでは,複数のP&Dクラスからの認証CDPにのみ,単一のクラス条件制御ネットをトレーニングし,信頼クラス条件下での再構成エラーによる偽造検出を行う。
さらに、デュアルテンプレートマスキングを導入し、入力テンプレートの補完領域を隠蔽し、保持画素のみをスコアし、可視バイナリ構造への依存を減らす。
Indigo 1 x 1 Base データセットでは、トレーニングやしきい値の校正に偽造サンプルを用いることなく、従来型および適応型生成ベースラインを多クラス認証・対数偽造評価で上回っている。
関連論文リスト
- Unified Multi-Layer Subspace Modeling for Cross-Domain OOD Detection [12.06155749281499]
PRISMは、モデルに依存しないポストホックOOD検出法である。
中間機能と深い機能を単一の階層的な埋め込みに融合する。
サブスペース内のセマンティックな偏差と、サブスペース外の異常の両方をキャプチャする。
論文 参考訳（メタデータ） (2026-09-06T19:00:54Z) - Prototype Fusion: A Training-Free Multi-Layer Approach to OOD Detection [0.8394724589095839]
中間層がOOD検出に等しくリッチで差別的な情報を符号化していることを示す。
複数の層にまたがる内部表現を利用するモデルに依存しない手法を提案する。
本手法は,画像分類における頑健でアーキテクチャに依存しない性能と強力な一般化を実現する。
論文 参考訳（メタデータ） (2026-03-24T19:32:13Z) - Diffusion-Based Authentication of Copy Detection Patterns: A Multimodal Framework with Printer Signature Conditioning [24.87648457099111]
プリンタシグネチャに対するマルチクラスプリンタ分類としてのフォーミュラ化認証により、当社のモデルでは、きめ細かいデバイス固有の特徴をキャプチャできる。
クラス条件付き雑音予測のためのデノナイズ処理を再利用し,制御ネットを拡張した。
結果として、フレームワークはトレーニング中に見つからない偽造型を一般化している。
論文 参考訳（メタデータ） (2026-03-09T22:33:44Z) - Universal Transformation of One-Class Classifiers for Unsupervised Anomaly Detection [51.73001988341294]
異常検出は通常、一級分類問題として定式化される。
本稿では,任意の1クラス分類器に基づく異常検出器を,完全に教師なしの手法に変換するデータセット折り畳み方式を提案する。
論文 参考訳（メタデータ） (2026-02-13T16:54:12Z) - DCAC: Dynamic Class-Aware Cache Creates Stronger Out-of-Distribution Detectors [43.8920190045364]
深いニューラルネットワークでは、アウト・オブ・ディストリビューション(OOD)検出が依然として根本的な課題である。
我々は,各IDクラスごとに個別のキャッシュを保持して高エントロピーサンプルを収集する,トレーニングフリーでテストタイムのキャリブレーションモジュールであるDCAC(Dynamic Class-Aware Cache)を提案する。
論文 参考訳（メタデータ） (2026-01-18T16:16:31Z) - Benchmarking Unified Face Attack Detection via Hierarchical Prompt Tuning [58.16354555208417]
PADとFFDはそれぞれ物理メディアベースのプレゼンテーションアタックとデジタル編集ベースのDeepFakeから顔データを保護するために提案されている。
これら2つのカテゴリの攻撃を同時に処理する統一顔攻撃検出モデルがないことは、主に2つの要因に起因する。
本稿では,異なる意味空間から複数の分類基準を適応的に探索する,視覚言語モデルに基づく階層型プロンプトチューニングフレームワークを提案する。
論文 参考訳（メタデータ） (2025-05-19T16:35:45Z) - DPU: Dynamic Prototype Updating for Multimodal Out-of-Distribution Detection [10.834698906236405]
機械学習モデルの堅牢性を保証するためには、アウト・オブ・ディストリビューション(OOD)検出が不可欠である。
マルチモーダルモデルの最近の進歩は、検出性能を高めるために複数のモダリティを活用する可能性を示している。
マルチモーダルOOD検出のための新しいプラグイン・アンド・プレイフレームワークであるDynamic Prototype Updating (DPU)を提案する。
論文 参考訳（メタデータ） (2024-11-12T22:43:16Z) - Prior Normality Prompt Transformer for Multi-class Industrial Image Anomaly Detection [6.865429486202104]
マルチクラス異常検出のためのPNPT(Presideor Normality Prompt Transformer)を導入する。
PNPTは戦略的に通常の意味論を取り入れ、「アイデンティティマッピング」問題を緩和する。
これにより、事前の正規性プロンプトを再構築プロセスに統合し、二重ストリームモデルを生成する。
論文 参考訳（メタデータ） (2024-06-17T13:10:04Z) - Out-of-Distribution Detection with a Single Unconditional Diffusion Model [54.15132801131365]
アウト・オブ・ディストリビューション(OOD)検出は、異常サンプルを特定しようとする機械学習において重要なタスクである。
従来、教師なし手法はOOD検出に深い生成モデルを用いていた。
本稿では,単一モデルが多様なタスクに対してOOD検出を行うことができるかどうかを考察する。
論文 参考訳（メタデータ） (2024-05-20T08:54:03Z) - Dynamic Prototype Mask for Occluded Person Re-Identification [88.7782299372656]
既存の手法では、目に見える部分を識別するために、余分なネットワークによって提供される身体の手がかりを利用することで、この問題に対処している。
2つの自己明快な事前知識に基づく新しい動的プロトタイプマスク(DPM)を提案する。
この条件下では、隠蔽された表現は、選択された部分空間において自然にうまく整列することができる。
論文 参考訳（メタデータ） (2022-07-19T03:31:13Z) - Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。
我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。
製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
論文 参考訳（メタデータ） (2022-06-23T14:16:30Z) - Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。
我々は,再建基準の代替として,異常スコアの代替尺度を提案した。
提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
論文 参考訳（メタデータ） (2020-03-24T08:26:58Z)
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。