論文の概要: TC-MAF: Train-Calibrated Bounded Multi-Evidence Fusion for Multimodal Industrial Anomaly Detection

• arxiv url: http://arxiv.org/abs/2607.11170v1
• Date: Mon, 13 Jul 2026 07:07:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 17:47:21.361614
• Title: TC-MAF: Train-Calibrated Bounded Multi-Evidence Fusion for Multimodal Industrial Anomaly Detection
• Title（参考訳）: TC-MAF:マルチモーダル産業異常検出のための列車キャリブレーションによるマルチエビデンス融合
• Abstract要約: TC-MAFは、マルチモーダル検出器、相補的なディノマリー証拠、および小さなクロスモーダル整合キューを組み合わせた、ベースアンコールによるマルチエビデンス融合設計である。 MVTec-3Dでは、TCK-MAFは画像レベル0.979AUROCと0.990AUPROに到達し、検出とローカライゼーションの両方において最高の平均結果を得る。
• 参考スコア（独自算出の注目度）: 2.8506176753328476
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multimodal anomaly detection benefits from complementary RGB and 3D evidence, yet auxiliary RGB reconstruction is not equally reliable across product categories and class-wise test-time policy selection is usually unavailable. We propose TC-MAF, a base-anchored multi-evidence fusion design that combines a multimodal detector, complementary Dinomaly evidence, and a small cross-modal consistency cue under one fixed pixel-level fusion formula. A lightweight training-dispersion confidence (TDC) term scales auxiliary participation using only normal training statistics. On MVTec-3D, TC-MAF reaches 0.979 image-level AUROC and 0.990 pixel-level AUPRO, achieving the best mean results on both detection and localization among the compared multimodal methods. Systematic ablations show that the fusion structure itself is the dominant factor, while TDC provides a smaller but reproducible calibration gain over no calibration or arbitrary calibration. Additional experiments show that the same design remains effective under a pooled-statistics variant, auxiliary-branch and backbone substitutions, few-shot settings, a missing-3D setting, and cross-dataset evaluation on Eyecandies. Code is available at https://anonymous.4open.science/r/TC_MAF-C3BB.
• Abstract（参考訳）: 相補的なRGBと3Dエビデンスによるマルチモーダル異常検出の利点があるが、補助的なRGB再構成は製品カテゴリ全体にわたって等しく信頼性がなく、クラスワイドテストタイムポリシーの選択は通常利用できない。 我々は,多モード検出器,相補的ダイノミクス証拠,および1つの固定画素レベルの核融合式に基づく小さな相互整合キューを組み合わせた,ベースアンコール型マルチエビデンス融合設計のTC-MAFを提案する。 軽量トレーニング分散信頼(TDC)用語は、通常のトレーニング統計のみを用いて補助的な参加をスケールする。 MVTec-3Dでは、TCK-MAFは画像レベル0.979AUROCと0.990AUPROに到達し、比較したマルチモーダル法において、検出と局所化の両方において最高の平均値を得る。 システム的アブレーションは、核融合構造自体が支配的な要因であることを示しているが、TDCはキャリブレーションや任意のキャリブレーションを伴わないより小さいが再現可能なキャリブレーションのゲインを提供する。 追加の実験では、同じ設計が、プール統計学の変種、補助ブランチとバックボーンの置換、いくつかのショット設定、欠落した3D設定、Eyecandiesのクロスデータセット評価の下でも有効であることが示されている。 コードはhttps://anonymous.4open.science/r/TC_MAF-C3BBで公開されている。

関連論文リスト

• Contrastive Knowledge Distillation for Anomaly Detection in Multi-Illumination/Focus Display Images [22.28698591377191]
  我々は,マルチイルミネーションおよびマルチフォーカス表示画像における自動異常検出に取り組む。 本稿では,知識蒸留に基づく異常検出のための新しいコントラスト学習手法を提案する。 提案手法は,AUROCと精度の両指標において,競合する最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2026-09-01T05:37:06Z)
• CMDS-AD: Cross-Modal Dual-Stream Decoupling for Few-Shot Anomaly Detection [22.190054508477704]
  訓練データに制限があるため、わずかな撮影異常検出は依然として困難である。 CMDS-AD(Cross-Modal Dual-Stream Anomaly Detection framework)を提案する。 CMDS-ADは、MVTec 3D-ADで5.7%(I-AUROC)と2.0%(AUPRO)の絶対的なパフォーマンス向上を達成する。
  論文  参考訳（メタデータ） (2026-06-18T14:36:02Z)
• 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)
• A Heterogeneous Ensemble for Multi-Center COVID-19 Classification from Chest CT Scans [0.39998518782208775]
  3つの推論パラダイムにまたがる9つのモデルの異種アンサンブルを示す。 アンサンブルは4つの病院センターで平均0.9280のマクロF1を達成し、最高のシングルモデルを上回っている。
  論文  参考訳（メタデータ） (2026-03-15T21:34:59Z)
• Detecting Deepfakes with Multivariate Soft Blending and CLIP-based Image-Text Alignment [4.34685509565816]
  非常に現実的な顔の偽造の増殖は、堅牢な検出方法を必要とする。 既存のアプローチは、様々な偽造技術によって生成されたサンプル間の大きな分布シフトのために、限られた正確さと一般化の欠如に悩まされることが多い。 提案手法は,CLIPのマルチモーダルアライメント機能を利用して,微妙な偽の痕跡を捕捉する。
  論文  参考訳（メタデータ） (2026-02-14T09:53:35Z)
• 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)
• M3DM-NR: RGB-3D Noisy-Resistant Industrial Anomaly Detection via Multimodal Denoising [63.39134873744748]
  既存の産業異常検出手法は主に、原始RGB画像を用いた教師なし学習に重点を置いている。 本稿では,CLIPの強力なマルチモーダル識別機能を利用する新しい耐雑音性M3DM-NRフレームワークを提案する。 M3DM-NRは3D-RGBマルチモーダルノイズ異常検出において最先端の手法より優れていた。
  論文  参考訳（メタデータ） (2024-06-04T12:33:02Z)
• Multimodal Industrial Anomaly Detection via Hybrid Fusion [59.16333340582885]
  ハイブリッド核融合方式を用いた新しいマルチモーダル異常検出法を提案する。 本モデルでは,MVTecD-3 ADデータセットにおける検出精度とセグメンテーション精度の両面で,最先端(SOTA)手法より優れている。
  論文  参考訳（メタデータ） (2023-03-01T15:48:27Z)
• Multimodal Object Detection via Bayesian Fusion [59.31437166291557]
  我々は、RGBとサーマルカメラでマルチモーダルオブジェクト検出を研究します。後者は照明不良下ではるかに強力なオブジェクトシグネチャを提供することができます。 我々の重要な貢献は、異なるモードのボックス検出を融合する非学習遅延融合法である。 このアプローチは、整列(KAIST)と非整列(FLIR)のマルチモーダルセンサーデータを含むベンチマークに適用されます。
  論文  参考訳（メタデータ） (2021-04-07T04:03:20Z)
• Exploring Data Augmentation for Multi-Modality 3D Object Detection [82.9988604088494]
  ポイントクラウドとイメージに基づくマルチモダリティメソッドは、ポイントクラウドのみを使用するアプローチよりも、わずかに良いか、時には悪いだけである。 トランスフォーメーションフローと呼ばれるパイプラインを提案し、トランスフォーメーションのリバースとリプレイによってシングルモードとマルチモードのデータ拡張のギャップを埋める。 また,本手法は第3回nuScenes検出チャレンジでPKL賞を受賞した。
  論文  参考訳（メタデータ） (2020-12-23T15:23:16Z)

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。