論文の概要: M2P-AD: Memory-to-Prototype Learning with Boundary-aware Score Refinement for 3D Anomaly Detection
- arxiv url: http://arxiv.org/abs/2607.13499v1
- Date: Wed, 15 Jul 2026 06:53:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-16 16:39:12.673942
- Title: M2P-AD: Memory-to-Prototype Learning with Boundary-aware Score Refinement for 3D Anomaly Detection
- Title（参考訳）: M2P-AD:3次元異常検出のための境界認識スコア再構成によるメモリ・ツー・プロトタイプ学習
- Abstract要約: 3次元異常検出はコンピュータビジョンにおける重要な研究トピックとして浮上している。
メモリ・ツー・プロトタイプ異常検出モデル(M2P-AD)を提案する。
M2P-ADは、通常の領域における過剰な異常スコアと対象の境界付近の偽陽性を抑えながら、通常の特徴の分布を効果的にモデル化する。
- 参考スコア（独自算出の注目度）: 10.86998594699358
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: 3D anomaly detection has recently emerged as an important research topic in computer vision. Although existing methods have achieved high performance, excessive anomaly responses in normal regions and false positives near object boundaries remain unresolved challenges. To address these challenges, we propose a novel 3D anomaly detection model, Memory-to-Prototype Anomaly Detection (M2P-AD), which effectively models the distribution of normal features while suppressing excessive anomaly scores in normal regions and false positives near object boundaries. Specifically, we introduce a Memory-to-Prototype (M2P) module that learns representative prototypes from normal feature embeddings to preserve important structural information of objects. In addition, a Boundary extraction (BE) module is integrated to identify object boundaries, and a Boundary-aware score refinement (BSR) strategy is applied to recalibrate anomaly scores by incorporating boundary characteristics. The proposed method is evaluated on Real3D-AD, Anomaly-ShapeNet, and MulSen-AD, achieving state-of-the-art performance. Qualitative results demonstrate that excessive anomaly scores in normal regions are reduced and false positives near object boundaries are suppressed, resulting in more accurate and stable anomaly localization. The results indicate that the proposed approach enables more reliable 3D anomaly detection and provides a robust solution applicable to real-world industrial environments.
- Abstract（参考訳）: 3D異常検出はコンピュータビジョンにおける重要な研究トピックとして最近登場した。
既存の手法は高い性能を達成しているが、通常の領域における過剰な異常応答と対象境界付近の偽陽性は未解決の課題である。
これらの課題に対処するため,メモリ・ツー・プロトタイプ異常検出(M2P-AD)と呼ばれる新しい3次元異常検出モデルを提案する。
具体的には、メモリ・ツー・プロトタイプ(M2P)モジュールを導入し、通常の特徴埋め込みから代表プロトタイプを学習し、オブジェクトの重要構造情報を保存する。
さらに、境界抽出(BE)モジュールを統合してオブジェクト境界を識別し、境界認識スコア改善(BSR)戦略を適用し、境界特性を取り入れて異常スコアを補正する。
提案手法は,Real3D-AD,Anomaly-ShapeNet,MulSen-ADを用いて評価し,最先端性能を実現する。
定性的な結果は、通常の領域における過剰な異常スコアが減少し、対象境界付近の偽陽性が抑制され、より正確で安定した異常局在が生じることを示している。
提案手法により,より信頼性の高い3次元異常検出が可能となり,実環境に適用可能なロバストなソリューションが提供されることが示唆された。
関連論文リスト
- Point Cloud Diffusion with Global and Local Reconstruction for Instance-Level 3D Anomaly Detection [53.26344422459608]
インスタンスレベルの3次元異常発生と検出のための点群拡散フレームワークである textbfPCDiff を提案する。
生成フェーズでは、インスタンスレベルのマルチモーダルアテンションが生成フレームワークに埋め込まれ、そこでは異常にテクスチャ勾配、画像パッチ、テキスト、マスクが条件付けられている。
検出段階では,局所的異常回復と大域的幾何整合性を確保するために,共同局所言語再構成アルゴリズムが導入された。
論文 参考訳（メタデータ） (2026-06-24T12:11:05Z) - 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) - OoDDINO:A Multi-level Framework for Anomaly Segmentation on Complex Road Scenes [3.0743391441996684]
異常セグメンテーションは、画像内の異常なオブジェクトを識別することを目的としている。
既存のピクセルワイズ手法は、通常、個々の異常スコアを割り当て、グローバルなしきい値戦略を用いて異常を分割する。
OoDDINOは,これらの制約に対処するために設計された,新しいマルチレベル・アノマライ・セグメンテーション・フレームワークである。
論文 参考訳（メタデータ） (2025-07-02T08:15:11Z) - 3CAD: A Large-Scale Real-World 3C Product Dataset for Unsupervised Anomaly [22.150521360544744]
3CADと呼ばれる大規模異常検出データセットを提案する。
3CADには8種類の製造部品があり、合計27,039個の高解像度画像にピクセルレベルの異常をラベル付けしている。
これは、3C製品の品質管理に特化した、最大かつ最初の異常検出データセットである。
論文 参考訳（メタデータ） (2025-02-09T03:37:54Z) - Towards Zero-shot 3D Anomaly Localization [58.62650061201283]
3DzALは3D異常検出とローカライゼーションのためのパッチレベルの新しいコントラスト学習フレームワークである。
3DzALは最先端の異常検出および局所化性能より優れていることを示す。
論文 参考訳（メタデータ） (2024-12-05T16:25:27Z) - Uni-3DAD: GAN-Inversion Aided Universal 3D Anomaly Detection on Model-free Products [8.696255342823896]
モデルフリー製品におけるあらゆる種類の欠陥を識別できる,統一された,教師なしの3次元異常検出フレームワークを提案する。
本手法では,特徴に基づく検出モジュールと再構成に基づく検出モジュールの2つの検出モジュールを統合する。
その結果,提案手法は不完全形状の同定において最先端の手法よりも優れていた。
論文 参考訳（メタデータ） (2024-08-29T01:46:37Z) - R3D-AD: Reconstruction via Diffusion for 3D Anomaly Detection [12.207437451118036]
3次元異常検出は、精密製造における局所固有の欠陥のモニタリングにおいて重要な役割を担っている。
埋め込みベースおよび再構築ベースのアプローチは、最も人気があり、成功した方法の一つである。
本稿では, 高精度な3次元異常検出のための拡散モデルにより, 異常点雲を再構成するR3D-ADを提案する。
論文 参考訳（メタデータ） (2024-07-15T16:10:58Z) - Towards Unified 3D Object Detection via Algorithm and Data Unification [70.27631528933482]
我々は、最初の統一型マルチモーダル3Dオブジェクト検出ベンチマークMM-Omni3Dを構築し、上記のモノクロ検出器をマルチモーダルバージョンに拡張する。
設計した単分子・多モード検出器をそれぞれUniMODEとMM-UniMODEと命名した。
論文 参考訳（メタデータ） (2024-02-28T18:59:31Z) - 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) - GLENet: Boosting 3D Object Detectors with Generative Label Uncertainty Estimation [70.75100533512021]
本稿では,対象物の潜在的可算有界箱の多様性として,ラベルの不確実性問題を定式化する。
本稿では,条件付き変分オートエンコーダを応用した生成フレームワークであるGLENetを提案する。
GLENetが生成するラベルの不確実性はプラグアンドプレイモジュールであり、既存のディープ3D検出器に便利に統合することができる。
論文 参考訳（メタデータ） (2022-07-06T06:26:17Z) - Delving into Localization Errors for Monocular 3D Object Detection [85.77319416168362]
単眼画像から3Dバウンディングボックスを推定することは、自動運転に不可欠な要素です。
本研究では, 各サブタスクがもたらす影響を定量化し, 局所化誤差を求めることが, モノクロ3次元検出の抑制に欠かせない要因である。
論文 参考訳（メタデータ） (2021-03-30T10:38:01Z)
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。