論文の概要: ScratchSim: A Procedural Synthetic Data Pipeline for Surface Scratch Detection

• arxiv url: http://arxiv.org/abs/2607.27065v2
• Date: Thu, 30 Jul 2026 07:25:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-31 12:52:12.275743
• Title: ScratchSim: A Procedural Synthetic Data Pipeline for Surface Scratch Detection
• Title（参考訳）: ScratchSim:表面スクラッチ検出のための手続き型合成データパイプライン
• Authors: Paul Julius Kühn, Saptarshi Neil Sinha, Tiago Kleist, Richard Hoffmann, Arjan kuijper, Michael Weinmann,
• Abstract要約: 本稿では,Blender を用いた大規模アノテート合成学習データを生成する手続き型レンダリングパイプラインを提案する。 本研究は,合成重量による4つのトレーニング戦略,すなわち,合成量,実量,混合量,微調整を評価する。 提案手法は,大規模な実アノテートデータセットの負担を伴わずに,スケーラブルな欠陥検出を可能にする。
• 参考スコア（独自算出の注目度）: 7.759492039775529
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: While automated defect detection such as the detection of surface scratched is an important aspect in industrial quality control, the scarcity of annotated defect data make this task challenging. This paper presents a procedural rendering pipeline that generates large-scale annotated synthetic training data using BlenderProc, with configurable material appearance, camera modes, and domain randomization, producing automatic COCO-format annotations. To show the potential of our approach, we evaluate four training strategies, namely synthetic-only, real-only, mixed, and fine-tuning from synthetic weights, across two objects with different material properties and three lightweight edge-deployable detectors, YOLOX, YOLO26, and LW-DETR. Our evaluation show that fine-tuning from synthetic weights consistently outperforms real-only training, and that mixed training effectively recovers performance under scarce real-data conditions, with findings validated across both convolutional and transformer-based architectures. The proposed approach enables scalable defect detection without the burden of large real annotated datasets, making it practical for on-device industrial inspection. The pipeline scripts, 3D model, and both synthetic and real annotated scratch datasets for a glossy toy Ferrari car will be made available through the project website upon acceptance.
• Abstract（参考訳）: 表面傷検出などの自動欠陥検出は, 産業品質管理において重要な側面であるが, 注釈付き欠陥データの不足が課題となっている。 本稿では,BlenderProcを用いて大規模に注釈付き合成学習データを生成するプロシージャレンダリングパイプラインを提案する。 提案手法の適用可能性を示すため, 合成重量から, 材料特性の異なる2つの物体と, YOLOX, YOLO26, LW-DETRの3つの軽量エッジデプロイラ検出器の4つの訓練戦略, すなわち, 合成重量からの合成専用, 実専用, 混合, 微調整の評価を行った。 本評価では, 合成重量による微調整は実データ学習より一貫して優れており, 混合訓練は, 畳み込み型および変圧器型両方のアーキテクチャにおいて, 少ない実データ条件下での性能を効果的に回復することを示した。 提案手法は,大規模な実アノテートデータセットの負担を伴わずに,スケーラブルな欠陥検出を可能にする。 パイプラインのスクリプト、3Dモデル、そして、光沢のあるおもちゃのフェラーリ車のための合成および実際の注釈付きスクラッチデータセットは、受理されたプロジェクトのWebサイトから入手できる。

関連論文リスト

• SynSur: An end-to-end generative pipeline for synthetic industrial surface defect generation and detection [4.219862887901752]
  合成欠陥生成とアノテーションのためのエンドツーエンドパイプラインを提案する。 パイプラインの重要なステージを解析し、プロンプト構築、LoRA選択、サンプルフィルタリングを行う。 本報告では,拡散型産業欠陥合成のエンドツーエンド評価について述べる。
  論文  参考訳（メタデータ） (2026-04-29T12:57:32Z)
• Scaling Transformer-Based Novel View Synthesis Models with Token Disentanglement and Synthetic Data [53.040873127309766]
  本稿では,トランスアーキテクチャ内でのトークンのアンタングル化プロセスを提案し,特徴分離を向上し,より効果的な学習を実現する。 提案手法は,データセット内およびデータセット間の評価において,既存のモデルよりも優れる。
  論文  参考訳（メタデータ） (2025-09-08T17:58:06Z)
• Bounding Box-Guided Diffusion for Synthesizing Industrial Images and Segmentation Map [50.21082069320818]
  最小限の監督で高忠実度産業データセットを生成するための拡散型パイプラインを提案する。 提案手法では, 拡張有界箱表現の拡散モデルを用いて, 正確なセグメンテーションマスクを生成する。 その結果、拡散に基づく合成は、人工的な産業データと実世界の産業データとのギャップを埋めることを示した。
  論文  参考訳（メタデータ） (2025-05-06T15:21:36Z)
• Drive-1-to-3: Enriching Diffusion Priors for Novel View Synthesis of Real Vehicles [81.29018359825872]
  本稿では,実世界の課題に対して,大規模な事前学習モデルを微調整するための一連の優れたプラクティスを統合する。 具体的には,合成データと実運転データとの相違を考慮に入れたいくつかの戦略を開発する。 我々の洞察は、先行芸術よりも新しいビュー合成のためのFIDを68.8%値下げする効果のある微調整につながる。
  論文  参考訳（メタデータ） (2024-12-19T03:39:13Z)
• Hardness-Aware Scene Synthesis for Semi-Supervised 3D Object Detection [59.33188668341604]
  3次元物体検出は、自律運転知覚の基本的なタスクとして機能する。 ポイントクラウドデータのための高品質なアノテーションを得るためには、コストがかかる。 本稿では,適応型合成シーンを生成するために,ハードネス対応シーン合成(HASS)手法を提案する。
  論文  参考訳（メタデータ） (2024-05-27T17:59:23Z)
• PITA: Physics-Informed Trajectory Autoencoder [7.394156899576076]
  生成モデルは、エッジケースシナリオを生成するために、生成されたデータで現実世界のデータセットを拡張するために使用することができる。 本稿では,物理力学モデルをオートエンコーダの損失関数に組み込んだ物理インフォームド・トラジェクトリ・オートエンコーダ(PITA)アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-03-18T12:37:41Z)
• CarPatch: A Synthetic Benchmark for Radiance Field Evaluation on Vehicle Components [77.33782775860028]
  車両の新たな総合ベンチマークであるCarPatchを紹介する。 内在カメラパラメータと外在カメラパラメータを付加した画像のセットに加えて、各ビューに対して対応する深度マップとセマンティックセグメンテーションマスクが生成されている。 グローバルとパートベースのメトリクスは、いくつかの最先端技術を評価し、比較し、より良い特徴付けるために定義され、使われてきた。
  論文  参考訳（メタデータ） (2023-07-24T11:59:07Z)
• A New Benchmark: On the Utility of Synthetic Data with Blender for Bare Supervised Learning and Downstream Domain Adaptation [42.2398858786125]
  コンピュータビジョンにおけるディープラーニングは、大規模ラベル付きトレーニングデータの価格で大きな成功を収めた。 制御不能なデータ収集プロセスは、望ましくない重複が存在する可能性のある非IIDトレーニングおよびテストデータを生成する。 これを回避するために、ドメインランダム化による3Dレンダリングによる合成データを生成する方法がある。
  論文  参考訳（メタデータ） (2023-03-16T09:03:52Z)
• Towards 3D Scene Understanding by Referring Synthetic Models [65.74211112607315]
  メソッドは通常、実際のシーンスキャンにおける過剰なアノテーションを緩和する。 合成モデルは、合成特徴の実際のシーンカテゴリを、統一された特徴空間にどのように依存するかを考察する。 実験の結果,ScanNet S3DISデータセットの平均mAPは46.08%,学習データセットは55.49%であった。
  論文  参考訳（メタデータ） (2022-03-20T13:06:15Z)

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。