論文の概要: LARAD: Layout-Aware Road Anomaly Detection via Spatial-Logic Reasoning

• arxiv url: http://arxiv.org/abs/2607.12858v1
• Date: Tue, 14 Jul 2026 15:09:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-15 17:08:30.181353
• Title: LARAD: Layout-Aware Road Anomaly Detection via Spatial-Logic Reasoning
• Title（参考訳）: LARAD:空間論理推論による経路異常検出
• Authors: Shiyi Mu, Xujie Chen, Shugong Xu,
• Abstract要約: 本稿では,外見整合から空間論理的推論へパラダイムをシフトさせるレイアウトアウェア道路異常検出(LARAD)を提案する。 まず、テクスチャに一貫性があるが空間的に無効なトレーニングサンプルを生成するSpatial-Logic Violation Synthesis Pipelineを紹介する。 第二に、OoD誘導の軽量なアテンションブランチにより、標準的なクローズドセットセグメンテーションネットワークを増強する。
• 参考スコア（独自算出の注目度）: 16.92190487823839
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate open-world obstacle detection is critical for autonomous driving. Current anomaly segmentation methods suffer from a fundamental blind spot: they over-rely on texture novelty to identify out-of-distribution (OoD) objects while ignoring contextual spatial logic. Furthermore, mitigating the resulting false positives often requires cascading massive vision models, introducing unacceptable inference latency. To address these issues, we propose Layout-Aware Road Anomaly Detection (LARAD), shifting the paradigm from appearance matching to spatial-logic reasoning. First, we introduce the Spatial-Logic Violation Synthesis (SLVS) pipeline, which generates training samples that are texture-consistent yet spatially invalid, forcing the model to learn contextual violations. Second, we augment a standard closed-set segmentation network with a lightweight, OoD-guided attention branch. Extensive experiments demonstrate that LARAD significantly enhances robustness against logical anomalies and establishes a new state-of-the-art, all while retaining the high efficiency of a single-model architecture.
• Abstract（参考訳）: 正確なオープンワールド障害物検出は自動運転に不可欠である。 現在の異常セグメンテーション法は基本的な盲点に悩まされており、テクスチャの斬新さを過度に生かし、文脈的空間論理を無視しながら分布外(OoD)オブジェクトを識別する。 さらに、結果として生じる偽陽性を緩和するには、しばしば巨大な視覚モデルをカスケードする必要がある。 これらの問題に対処するため,LARAD(Layout-Aware Road Anomaly Detection)を提案する。 まず、テクスチャに一貫性があるが空間的に無効なトレーニングサンプルを生成するSpatial-Logic Violation Synthesis (SLVS) パイプラインを導入し、文脈違反の学習を強制する。 第二に、OoD誘導の軽量なアテンションブランチにより、標準的なクローズドセットセグメンテーションネットワークを増強する。 大規模な実験により、LARADは論理的異常に対する堅牢性を著しく向上し、単一のモデルアーキテクチャの高効率を維持しながら、新しい最先端技術を確立することが示されている。

関連論文リスト

• Need We Teach Foundation Models What is a Generative Image? Gradient-Free Generative Artifact Detection via Analytic Spectral Adaptation [3.881211374324378]
  勾配ベースの更新による生成成果物の検出に基礎モデルを適用することで、本質的な表現が損なわれる。 本稿では,二分分類から外分布(OOD)異常測定問題への検出を緩和する勾配のない手法を提案する。
  論文  参考訳（メタデータ） (2026-06-03T13:04:23Z)
• Towards Active Real-to-Twin Inspection: A New Paradigm for Zero-Shot Anomaly Detection [15.402355513558541]
  本稿では,幾何学的に整合したCADデジタル双対に対する物理観測を直接評価する新しいタスクであるReal-to-Twin Anomaly Detectionを紹介する。 本稿では,リアルツインとデジタルツイン間のロバストなセマンティックアライメントを学習するためのフレームワークであるAVATARを提案する。 欠陥のないペアのみを使用して、良質なSim2Realドメインギャップをブリッジすることで、AVATARはCADプリエントを動的で異常のない参照に変換する。
  論文  参考訳（メタデータ） (2026-05-25T04:05:25Z)
• Reason-IAD: Knowledge-Guided Dynamic Latent Reasoning for Explainable Industrial Anomaly Detection [85.29900916231655]
  Reason-IADは、説明可能な産業異常検出のための知識誘導型動的潜在推論フレームワークである。 実験により、Reason-IADは最先端の手法よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2026-02-10T14:54:17Z)
• Mitigating Cognitive Inertia in Large Reasoning Models via Latent Spike Steering [12.332146893333949]
  大規模推論モデル(LRM)は、テスト時間計算をスケールすることで、優れた性能を実現している。 LRMは、しばしば認知的慣性(動作慣性)または剛性(方向慣性)のどちらかを過度に考える失敗パターンである認知的慣性(Cognitive Inertia)に悩まされる。
  論文  参考訳（メタデータ） (2026-01-30T02:47:12Z)
• Hallucination Detection via Internal States and Structured Reasoning Consistency in Large Language Models [7.18947815679122]
  内部状態探索と整合検証は、大きな言語モデルにおける幻覚を検出するために用いられる。 両手法のギャップを埋める統一的なフレームワークを開発する。 私たちのフレームワークは一貫して、強力なベースラインをはるかに上回ります。
  論文  参考訳（メタデータ） (2025-10-13T15:31:21Z)
• LAD-Reasoner: Tiny Multimodal Models are Good Reasoners for Logical Anomaly Detection [27.45348890285863]
  本稿では,論理的推論を組み込んで従来の異常検出を拡張したReasoning Logical Anomaly Detection (RLAD)を提案する。 本稿では,Qwen2.5-VL 3B上に構築された小型マルチモーダル言語モデルであるLAD-Reasonerを提案する。 MVTec LOCO ADデータセットの実験では、LAD-Reasonerははるかに小さく、精度はQwen2.5-VL-72BとF1のスコアと一致している。
  論文  参考訳（メタデータ） (2025-04-17T08:41:23Z)
• Orthogonal Subspace Decomposition for Generalizable AI-Generated Image Detection [58.87142367781417]
  航法的に訓練された検出器は、限定的で単調な偽のパターンに過度に適合する傾向にあり、特徴空間は高度に制約され、低ランクになる。 潜在的な治療法の1つは、ビジョンファウンデーションモデルに事前訓練された知識を取り入れて、機能領域を広げることである。 主要なコンポーネントを凍結し、残ったコンポーネントのみを適用することで、フェイクパターンを学習しながら、トレーニング済みの知識を保存します。
  論文  参考訳（メタデータ） (2024-11-23T19:10:32Z)
• GeneralAD: Anomaly Detection Across Domains by Attending to Distorted Features [68.14842693208465]
  GeneralADは、意味的、ほぼ分布的、産業的設定で動作するように設計された異常検出フレームワークである。 本稿では,ノイズ付加やシャッフルなどの簡単な操作を施した自己教師付き異常生成モジュールを提案する。 提案手法を10のデータセットに対して広範囲に評価し,6つの実験結果と,残りの6つの実験結果を得た。
  論文  参考訳（メタデータ） (2024-07-17T09:27:41Z)
• Small Object Detection via Coarse-to-fine Proposal Generation and Imitation Learning [52.06176253457522]
  本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。 CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-08-18T13:13:09Z)
• Toward Certified Robustness Against Real-World Distribution Shifts [65.66374339500025]
  我々は、データから摂動を学ぶために生成モデルを訓練し、学習したモデルの出力に関して仕様を定義する。 この設定から生じるユニークな挑戦は、既存の検証者がシグモイドの活性化を厳密に近似できないことである。 本稿では,古典的な反例誘導的抽象的洗練の概念を活用するシグモイドアクティベーションを扱うための一般的なメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-06-08T04:09:13Z)

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。