論文の概要: ProCon: Projection-Consistency Memory for Training-Free Anomaly Detection

• arxiv url: http://arxiv.org/abs/2607.04894v1
• Date: Mon, 06 Jul 2026 10:23:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:30.109838
• Title: ProCon: Projection-Consistency Memory for Training-Free Anomaly Detection
• Title（参考訳）: ProCon: トレーニング不要な異常検出のための投影整合メモリ
• Abstract要約: ProConは、メモリ検索をデコーダなしの再構成に変換する、トレーニング不要のフレームワークである。 7つの標準メトリクスの下で、画像レベルとピクセルレベルの強いパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 6.76482561610618
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Memory-based anomaly detection is attractive because it localizes defects from normal images without training a decoder or synthesizing pseudo anomalies. However, most memory methods still use the memory bank as a nearest-neighbor lookup table: a test patch is treated as normal if it has one nearby normal anchor. This hard retrieval view is vulnerable to false-normal matches and does not test whether the patch is consistently supported by a local normal neighborhood. We propose ProCon, a training-free framework that turns memory retrieval into decoder-free reconstruction. ProCon softly projects each test patch onto nearby normal memory vectors and uses the projection residual as anomaly evidence. To stabilize this residual, it constructs seed-perturbed layer-wise memories, aggregates bank residuals by a median, and fuses depth-specific residual maps by layer consensus. ProCon requires no decoder training, backbone fine-tuning, learned fusion weights, or pseudo-anomaly supervision. Across MVTec-AD, VisA, and Real-IAD under the single-category evaluation protocol, ProCon achieves strong image- and pixel-level performance under seven standard metrics, including image AUROC scores of 99.8%, 99.2%, and 93.2%, respectively. Ablations show that the gains come from replacing hard retrieval with soft normal projection and stabilizing the residuals through memory and depth consensus. The code is available at https://github.com/jw-chae/Procon
• Abstract（参考訳）: メモリベースの異常検出は、デコーダを訓練したり擬似異常を合成したりすることなく、通常の画像からの欠陥をローカライズするので魅力的である。 しかし、ほとんどのメモリメソッドは、最寄りのルックアップテーブルとしてメモリバンクを使用し、近くの通常のアンカーがある場合、テストパッチは通常のものとして扱われる。 このハード検索ビューは、偽正規マッチングに対して脆弱であり、パッチが局所正規近傍で一貫してサポートされているかどうかを検査しない。 本稿では,メモリ検索をデコーダのない再構成に変換するトレーニングフリーフレームワークであるProConを提案する。 ProConは、各テストパッチを近くの通常のメモリベクトルにソフトに投影し、プロジェクション残差を異常な証拠として利用する。 この残差を安定化するために、シード摂動層記憶を構築し、バンク残差を中央値で集約し、層コンセンサスで深度特異的残差マップを融合する。 ProConはデコーダのトレーニング、バックボーンの微調整、学習された融合重量、擬似異常監視を必要としない。 MVTec-AD、VisA、Real-IADが単一カテゴリ評価プロトコルの下で、ProConはイメージAUROCスコアの99.8%、99.2%、93.2%を含む7つの標準メトリクスで、強力な画像レベルとピクセルレベルのパフォーマンスを達成する。 アブレーションは、ハード検索をソフトノーマルプロジェクションに置き換え、記憶と奥行きのコンセンサスを通じて残差を安定化させることによって得られる。 コードはhttps://github.com/jw-chae/Proconで公開されている。

関連論文リスト

• What Remains Normal? Clean Images Miss Useful Near-Defect Normal Patches for Anomaly Detection [4.021476382793037]
  メモリベースの異常検知器は、名目上のトレーニングパッチを格納し、このメモリに対してテストパッチをスコアする。 我々はこの結合とスパーストレーニング汚染を探索する。 クリーンコンは、最終メモリ汚染を近似的にゼロに減らし、12の整合した比較でカテゴリマクロP-APを増加させる。
  論文  参考訳（メタデータ） (2026-08-24T14:22:44Z)
• 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)
• ReCoSplat: Autoregressive Feed-Forward Gaussian Splatting Using Render-and-Compare [53.16118137855849]
  本稿では,自動回帰フィードフォワードガウススプラッティングモデルであるReCoSplatについて述べる。 コードと事前訓練されたモデルがリリースされる。
  論文  参考訳（メタデータ） (2026-03-10T17:58:08Z)
• CORE: Context-Robust Remasking for Diffusion Language Models [51.59514489363897]
  我々は、推論時リビジョンのためのトレーニング不要フレームワークであるContext-Robust Remasking (CORE)を提案する。 静的トークンの確率を信頼するのではなく、COREは、ターゲットとなるマスク付きコンテキストの摂動に対する感受性を示すことによって、コンテキスト不安定なトークンを識別する。 LLaDA-8B-Baseでは、COREは推論とコードベンチマークの間で一貫した改善を行い、計算に適合したベースラインを上回り、MBPPを最大9.2%改善した。
  論文  参考訳（メタデータ） (2026-02-04T00:12:30Z)
• MRAD: Zero-Shot Anomaly Detection with Memory-Driven Retrieval [16.654541753670348]
  MRAD(Memory-Retrieval Anomaly Detection)は、パラメトリックフィッティングを直接メモリ検索に置き換える統合フレームワークである。 16の産業用および医療用データセットに対して、MRADフレームワークは、常に優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2026-01-31T05:30:57Z)
• Is Training Necessary for Anomaly Detection? [12.22745989422548]
  現在の異常検出法は、異常を再構築するためのエンコーダ・デコーダモデルの訓練に依存している。 検索型異常検出(RAD)を提案する。 RADは、メモリに異常のない特徴を格納し、マルチレベル検索によって異常を検出する、トレーニング不要のアプローチである。
  論文  参考訳（メタデータ） (2026-01-30T09:40:42Z)
• Memory-Guided Point Cloud Completion for Dental Reconstruction [2.9422243774213075]
  本稿では,プロトタイプメモリをエンコーダ-デコーダパイプラインに統合した歯の補修のための検索拡張フレームワークを提案する。 メモリはエンドツーエンドに最適化され、再利用可能な歯形プロトタイプに自己組織化される。 我々のアプローチは、より正確で忠実な歯科用点クラウド完成のために、クロスサンプルの正則性を活用できるシンプルで効果的な方法を提供する。
  論文  参考訳（メタデータ） (2025-12-03T09:31:07Z)
• SAMITE: Position Prompted SAM2 with Calibrated Memory for Visual Object Tracking [58.35852822355312]
  Visual Object Tracking (VOT)は、ビデオ内のターゲットを継続的に追跡する自律運転のようなアプリケーションで広く使われている。 これらの問題に対処するために、ビデオ基盤モデルSAM2をVOTに適用し、各フレームの追跡結果をメモリとして符号化し、残りのフレームを自己回帰的に条件付けする手法を提案する。 これらの課題に対処するために,SAM2 上にモジュールを追加して構築した SAMITE モデルを提案する。
  論文  参考訳（メタデータ） (2025-07-29T12:11:56Z)
• Improving Adversarial Robustness of Masked Autoencoders via Test-time Frequency-domain Prompting [133.55037976429088]
  BERTプリトレーニング(BEiT, MAE)を備えた視覚変換器の対向ロバスト性について検討する。 意外な観察は、MAEが他のBERT事前訓練法よりも敵の頑健さが著しく悪いことである。 我々は,MAEの対角的堅牢性を高めるための,シンプルで効果的な方法を提案する。
  論文  参考訳（メタデータ） (2023-08-20T16:27:17Z)
• Mask and Restore: Blind Backdoor Defense at Test Time with Masked Autoencoder [50.1394620328318]
  既存のバックドア防御手法では、いくつかのバリデーションデータとモデルパラメータにアクセスする必要があることが多い。 Masked AutoEncoder (BDMAE) を用いたブラインドバックドアディフェンスの提案 BDMAEは、画像の構造的類似性と、テスト画像とMAE復元の間のラベルの整合性を用いて、可能な局所的なトリガを検出する。
  論文  参考訳（メタデータ） (2023-03-27T19:23:33Z)
• Making Reconstruction-based Method Great Again for Video Anomaly Detection [64.19326819088563]
  ビデオの異常検出は重要な問題だが、難しい問題だ。 既存の再構成に基づく手法は、昔ながらの畳み込みオートエンコーダに依存している。 連続フレーム再構築のための新しいオートエンコーダモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-28T01:57:57Z)
• TrustMAE: A Noise-Resilient Defect Classification Framework using Memory-Augmented Auto-Encoders with Trust Regions [7.204296930231408]
  製品の欠陥分類の問題に対処するため,TrustMAEというフレームワークを提案する。 ほとんどの異常検出方法とは異なり、私たちのアプローチはノイズに対して堅牢です。
  論文  参考訳（メタデータ） (2020-12-29T06:57:36Z)

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。