論文の概要: OPD-IAD: From Language Judgment to Industrial Anomaly Detection via On-Policy Self-Distillation
- arxiv url: http://arxiv.org/abs/2607.18850v1
- Date: Tue, 21 Jul 2026 08:37:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-22 19:05:05.36052
- Title: OPD-IAD: From Language Judgment to Industrial Anomaly Detection via On-Policy Self-Distillation
- Title（参考訳）: OPD-IAD:オンポリシィ自己蒸留による言語判断から産業異常検出へ
- Abstract要約: 大規模視覚言語モデル(LVLM)は近年,産業的異常検出(IAD)の強力な可能性を示している。
我々は, LVLM を用いた IAD の高密度自己蒸留フレームワークである textbfOPD-IAD を提案する。
OPD-IADは、特権化された欠陥証拠を、モデル自身の法的な判断軌道に蒸留し、最終生成された判断を、密集した監督下で学習することを可能にする。
- 参考スコア（独自算出の注目度）: 42.193887957394345
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large vision-language models (LVLMs) have recently shown strong potential for industrial anomaly detection (IAD) by providing image-level anomaly judgments and interpretable defect reasoning. However, current LVLM-based IAD methods still struggle to produce precise pixel-level anomaly maps from generated language judgments. We aim to achieve precise pixel-level localization while using language as guidance rather than letting it dominate the visual response. Specifically, we propose \textbf{OPD-IAD}, an evidence-privileged dense on-policy self-distillation framework for LVLM-based IAD. OPD-IAD distills privileged defect evidence onto the model's own on-policy judgment trajectory, enabling the final generated judgment to be learned under dense supervision rather than treated only as a textual answer. The resulting judgment serves as a semantic condition for dense anomaly perception. To turn this condition into dense visual evidence, we introduce \textbf{Language-guided Visual Anchoring}, which uses a judgment reforward to re-encode the image and question under the final-judgment condition into semantic anchors and contrasts them with dense visual features through a contrastive heatmap head to generate anomaly maps. The language judgment therefore provides compact semantic guidance, while dense visual features remain the basis for pixel-level scoring, allowing language to guide anomaly localization without letting language quality directly dictate the pixel-level response. Extensive experiments show that OPD-IAD achieves the best overall performance among LVLM-based IAD methods, leading on most image-level, pixel-level, and QA metrics.
- Abstract（参考訳）: 大規模視覚言語モデル(LVLM)は、画像レベルの異常判定と解釈可能な欠陥推論を提供することにより、産業的異常検出(IAD)に強い可能性を示している。
しかし、現在のLVLMベースのIAD法は、生成した言語判断から正確なピクセルレベルの異常マップを作成するのに依然として苦労している。
我々は,視覚応答を支配させるのではなく,言語をガイダンスとして使用しながら,正確な画素レベルのローカライゼーションを実現することを目指している。
具体的には, LVLM を用いた IAD の高密度自己蒸留フレームワークである textbf{OPD-IAD} を提案する。
OPD-IADは、特権的欠陥証拠をモデル自身のオンライン判断軌道に蒸留し、最終生成された判断は、テキストの回答としてのみ扱われるのではなく、厳密な監督の下で学習することができる。
結果として得られる判断は、密集した異常知覚のセマンティックな条件として機能する。
この条件を濃密な視覚的エビデンスに変換するために,最終判断条件下でのイメージと質問を意味的アンカーに再エンコードし,コントラッシブなヒートマップヘッドを介して密な視覚的特徴と対比し,異常マップを生成するための判断法である,textbf{Language-guided Visual Anchoring}を導入する。
したがって、言語判断は、コンパクトなセマンティックガイダンスを提供するが、高密度な視覚的特徴は、画素レベルのスコアリングの基礎のままであり、言語品質がピクセルレベルのレスポンスを直接指示することなく、異常なローカライゼーションを導くことができる。
大規模な実験により、PD-IADはLVLMベースのIAD手法の中で最高の総合的な性能を達成し、ほとんどの画像レベル、ピクセルレベル、QAメトリクスを導いた。
関連論文リスト
- Can Vision-Language Models Reason about AI Edits in Images? [78.04125956307838]
VLM(Vision-Language Models)は、強力な視覚的理解と推論能力のために、有望な代替手段を提供する。
簡単な精度と形式報酬を利用するGRPOベースのトレーニングフレームワークを提案する。
提案手法は,最先端画像フォージェリ検出器と比較して,競合検出と局所化性能を実現する。
論文 参考訳（メタデータ） (2026-07-30T16:23:40Z) - GenAU: Language-Grounded Industrial Anomaly Understanding with Vision-Language Models [12.502139331711673]
GenAUは産業異常理解のためのビジョン言語フレームワークである。
画像レベルの検出、ピクセルレベルのセグメンテーション、マルチタイプの異常検出、単一命令追従モデルにおける欠陥解析を統一する。
VisAとReal-IADでCLIPベースのゼロショット法で最強の画像レベルの検出を実現する。
論文 参考訳（メタデータ） (2026-07-01T15:11:29Z) - ExACT: Exemplar-Driven Calibrated Refinement for Training-Free Visual Grounding in Remote Sensing Images [51.53960096934913]
リモートセンシングビジュアルグラウンドティング(RSVG)は、自由形式の自然言語記述を用いて、高解像度のRS画像中の特定の物体を特定することを目的としている。
マルチモーダル大言語モデル(MLLM)の最近の進歩は、そのようなオープン語彙RSVGに大きな可能性を示している。
Inemplar-driven Calibrated Refinement (ExACT)を提案する。
論文 参考訳（メタデータ） (2026-06-27T13:50:39Z) - Reasoning-Driven Anomaly Detection and Localization with Image-Level Supervision [41.94832792442927]
本研究では,MLLMの本質的推論能力を活性化し,画像レベルの監視のみから異常検出,画素レベルのローカライゼーション,解釈可能な推論を行う。
具体的には,Reasoning-Driven Anomaly Localization (ReAL)を提案する。これは自己回帰推論プロセスから異常関連トークンを抽出し,その注意応答を集約して画素レベルの異常マップを生成する。
論文 参考訳（メタデータ） (2026-03-28T07:34:33Z) - IAD-GPT: Advancing Visual Knowledge in Multimodal Large Language Model for Industrial Anomaly Detection [70.02774285130238]
本稿では,リッチテキストセマンティクスと画像レベルの情報と画素レベルの情報の組み合わせについて検討する。
産業異常検出のためのMLLMに基づく新しいパラダイムであるIAD-GPTを提案する。
MVTec-ADとVisAデータセットの実験は、私たちの最先端のパフォーマンスを示しています。
論文 参考訳（メタデータ） (2025-10-16T02:48:05Z) - Weakly-Supervised Image Forgery Localization via Vision-Language Collaborative Reasoning Framework [16.961220047066792]
ViLaCoは視覚言語の共同推論フレームワークで、事前訓練された視覚言語モデルから抽出した補助的セマンティックインスペクションを導入する。
ViLaCoは既存のWSIFL法を大幅に上回り、検出精度とローカライゼーション精度の両方で最先端の性能を達成する。
論文 参考訳（メタデータ） (2025-08-02T12:14:29Z) - Multimodal LLM-Guided Semantic Correction in Text-to-Image Diffusion [52.315729095824906]
MLLM Semantic-Corrected Ping-Pong-Ahead Diffusion (PPAD) は,マルチモーダル大言語モデル(MLLM)を推論中の意味的オブザーバとして導入する新しいフレームワークである。
中間世代をリアルタイムに分析し、潜在意味的不整合を識別し、フィードバックを制御可能な信号に変換し、残りの認知ステップを積極的に導く。
大規模な実験ではPPADの大幅な改善が示されている。
論文 参考訳（メタデータ） (2025-05-26T14:42:35Z) - Do LLMs Understand Visual Anomalies? Uncovering LLM's Capabilities in Zero-shot Anomaly Detection [18.414762007525137]
大規模視覚言語モデル(LVLM)は、自然言語で導かれる視覚表現の導出に長けている。
近年の研究では、ゼロショット視覚異常検出(VAD)の課題に取り組むためにLVLMを用いている。
統一モデルを用いてこれらの課題に対処するために設計された、トレーニング不要のアプローチであるALFAを提案する。
論文 参考訳（メタデータ） (2024-04-15T10:42:22Z) - Bootstrap Fine-Grained Vision-Language Alignment for Unified Zero-Shot
Anomaly Localization [63.61093388441298]
対照的な言語-画像事前学習モデルは、ゼロショット視覚認識タスクで有望なパフォーマンスを示した。
本研究では,ゼロショット異常局所化のためのAnoCLIPを提案する。
論文 参考訳（メタデータ） (2023-08-30T10:35:36Z) - VoLTA: Vision-Language Transformer with Weakly-Supervised Local-Feature
Alignment [52.489874804051304]
VoLTAは、画像キャプチャデータのみを使用するが、きめ細かい領域レベルの画像理解を利用する新しい視覚言語事前学習パラダイムである。
VoLTAは、プレトレーニング中にマルチモーダル融合をユニモーダルバックボーンに深く押し込む。
広範囲の視覚および視覚の下流タスクの実験は、VoLTAの有効性を実証している。
論文 参考訳（メタデータ） (2022-10-09T01:49:58Z)
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。