論文の概要: Physics-inspired Pseudo Anomaly Generation and Prototype Feature Guidance for 3D Anomaly Detection
- arxiv url: http://arxiv.org/abs/2607.10544v1
- Date: Sun, 12 Jul 2026 03:11:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-14 15:40:48.462934
- Title: Physics-inspired Pseudo Anomaly Generation and Prototype Feature Guidance for 3D Anomaly Detection
- Title（参考訳）: 物理インスパイアされた擬似異常発生と3次元異常検出のためのプロトタイプ的特徴誘導
- Abstract要約: 3次元点雲異常検出は工業生産において重要な役割を担っている。
実際の異常サンプルの不足と高い取得コストのため、大きな課題に直面している。
本稿では,物理にインスパイアされた擬似アノマリー生成戦略を導入する新しいフレームワークPA3ADを提案する。
- 参考スコア（独自算出の注目度）: 15.30476244660264
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: 3D point cloud anomaly detection plays a vital role in industrial manufacturing, yet it faces significant challenges due to the scarcity and high acquisition cost of real anomalous samples. The inherently anomaly-free training data further hinders detection methods from effectively learning discriminative features between normal and abnormal instances. To address these issues, we propose PA3AD, a novel framework that introduces a physics-inspired pseudo-anomaly generation strategy to create physically plausible anomalous samples from normal data. Additionally, we incorporate prototype features via a weight-sharing mechanism to guide the model in capturing the distribution shifts between normal and anomalous samples. Specifically, PA3AD introduces two key innovations to tackle the scarcity of real anomalies. First, a physics-inspired module generates diverse pseudo-anomalous point clouds from normal data via multi-physics modeling. Second, momentum-updated prototypes and a difference-aware fusion block capture stable normal representations and their discrepancies with pseudo-anomalies. This design effectively learns distribution shifts, achieving superior detection performance. Extensive experiments on the Anomaly-ShapeNet and Real3D-AD datasets demonstrate that our method consistently outperforms existing state-of-the-art approaches. Our code will be made publicly available at https://github.com/NingxiaoJian/PA3AD.
- Abstract（参考訳）: 3Dポイントの雲の異常検出は工業生産において重要な役割を担っているが、実際の異常サンプルの不足と高い取得コストのために大きな課題に直面している。
本来、異常のないトレーニングデータにより、正常なインスタンスと異常なインスタンスとの間の識別的特徴を効果的に学習することによる検出方法の妨げとなる。
これらの問題に対処するため,物理に着想を得た擬似アノマリー生成手法を導入し,通常のデータから物理的に可塑性な異常なサンプルを作成する新しいフレームワークPA3ADを提案する。
さらに,標準試料と異常試料の分布変化を捉えるために,重量共有機構を用いてプロトタイプ機能を組み込んだ。
特にPA3ADは、実際の異常の不足に対処する2つの重要なイノベーションを導入している。
第一に、物理学に着想を得たモジュールは、多物理モデリングによって通常のデータから様々な擬似非正則点雲を生成する。
第二に、運動量向上型プロトタイプと差分認識型融合ブロックは、安定な正規表現と擬似アノマリーとの相違をキャプチャする。
この設計は、分散シフトを効果的に学習し、優れた検出性能を実現する。
Anomaly-ShapeNetとReal3D-ADデータセットに関する大規模な実験は、我々の手法が既存の最先端アプローチよりも一貫して優れていることを示している。
私たちのコードはhttps://github.com/NingxiaoJian/PA3ADで公開されます。
関連論文リスト
- DPA: Decoupling Product-Agnostic Anomaly Representations for Zero-shot Anomaly Generation [52.52576712810738]
産業異常検出は異常サンプルから恩恵を受けるが、新しくデプロイされた製品は通常正常な画像のみを提供するため、異常サンプルの収集は困難である。
既存の手法は主にテクスチャイメージやテキスト記述を異常ソースとして依存しており、しばしば非現実的な異常を生成する。
本稿では,既存のソース製品から実際の異常を再利用した,異常転送に基づくゼロショット生成を提案する。
論文 参考訳（メタデータ） (2026-09-02T04:03:05Z) - Anomaly Factory 3D: A Modular Framework for Diverse Pseudo-Anomaly Synthesis in Unsupervised 3D Anomaly Detection [0.0]
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。
論文 参考訳（メタデータ） (2026-06-28T03:55:44Z) - 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) - Few-Shot Anomaly-Driven Generation for Anomaly Classification and Segmentation [38.76264181764036]
異常検出は, 産業検査における異常サンプルの不足により, 実用的かつ困難な課題である。
本稿では,現実的かつ多様な異常を生成するために拡散モデルを誘導するAnoGen法を提案する。
本手法は,DRAEMとDesTSegを基礎モデルとして構築し,一般的な産業用異常検出データセットであるMVTecの実験を行う。
論文 参考訳（メタデータ） (2025-05-14T10:25:06Z) - COFT-AD: COntrastive Fine-Tuning for Few-Shot Anomaly Detection [19.946344683965425]
FSADの課題に対処する新しい手法を提案する。
重みをモデル化するために、大規模なソースデータセットで事前トレーニングされたモデルを使用します。
提案手法の有効性を示すために,3つの制御されたADタスクと4つの実世界のADタスクに対して,数発の異常検出を行った。
論文 参考訳（メタデータ） (2024-02-29T09:48:19Z) - Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。
本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
論文 参考訳（メタデータ） (2024-01-06T07:30:41Z) - AnomalyDiffusion: Few-Shot Anomaly Image Generation with Diffusion Model [59.08735812631131]
製造業において異常検査が重要な役割を担っている。
既存の異常検査手法は、異常データが不足しているため、その性能に制限がある。
本稿では,新しい拡散型マイクロショット異常生成モデルであるAnomalyDiffusionを提案する。
論文 参考訳（メタデータ） (2023-12-10T05:13:40Z) - Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。
さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。
提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
論文 参考訳（メタデータ） (2023-11-27T13:14:06Z) - Diversity-Measurable Anomaly Detection [106.07413438216416]
本稿では,再構成の多様性を高めるため,DMAD(Diversity-Measurable Anomaly Detection)フレームワークを提案する。
PDMは基本的に、変形を埋め込みから分離し、最終的な異常スコアをより信頼性を高める。
論文 参考訳（メタデータ） (2023-03-09T05:52:42Z) - Lossy Compression for Robust Unsupervised Time-Series Anomaly Detection [4.873362301533825]
本稿では,異常検出のためのLossy Causal Temporal Convolutional Neural Network Autoencoderを提案する。
我々のフレームワークは, 速度歪み損失とエントロピーボトルネックを用いて, タスクの圧縮潜在表現を学習する。
論文 参考訳（メタデータ） (2022-12-05T14:29:16Z) - 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。