Fugu-MT 論文翻訳(概要): UniScale: Arbitrary-Scale Industrial Anomaly Generation

論文の概要: UniScale: Arbitrary-Scale Industrial Anomaly Generation

arxiv url: http://arxiv.org/abs/2608.07864v1
Date: Sat, 08 Aug 2026 02:30:19 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-11 19:16:36.538003
Title: UniScale: Arbitrary-Scale Industrial Anomaly Generation
Title（参考訳）: UniScale: 任意規模の産業異常発生
Abstract要約: 任意のスケールにわたる高忠実度産業異常発生のための統一的なトレーニングおよび推論フレームワークUniScaleを紹介する。また、バックグラウンド統合から異常生成を分離する生成テーマフュージョンデノナイズも提案する。 VisAは45.86%(1.81から2.64まで)、MVTec ADは37.70%(1.22から1.68まで)である。
参考スコア（独自算出の注目度）: 5.299519624016253
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Industrial anomaly inspection faces a major challenge due to the lack of real-world anomaly samples. While generative models are used to create anomaly data, existing methods still struggle when handling small-scale anomalies.This failure occurs because extreme downsampling in diffusion models causes the information of small anomalies to be lost in the latent space.To address this, we introduce UniScale, a unified training and inference framework for high-fidelity industrial anomaly generation across arbitrary scales.During training, we introduce an Error-Suppressed Multi-Scale Training (EMT) strategy, which enables the model to learn the rich location-aware textures of anomalies, while suppressing upsampling-induced interpolation errors in texture acquisition, ensuring the model is capable of learning small-scale anomalies, while remaining effective for regular scale anomalies.For inference, we propose Generation-then-Fusion Denoising. It decouples anomaly generation from background integration, preventing small anomalies from being overwhelmed.Extensive experiments demonstrate that our method outperforms state-of-the-art competitors in both anomaly generation quality and downstream detection performance.It achieves a relative IS(a) improvement of 45.86\% (from 1.81 to 2.64) on VisA and 37.70\% (from 1.22 to 1.68) on MVTec AD 2, while also improving the downstream pixel-level IoU by 4.22\% on VisA and AUROC by 6.55\% on MVTec AD 2. Code is available at https://github.com/HUST-SLOW/UniScale.
Abstract（参考訳）: 産業異常検査は、現実世界の異常サンプルが不足しているため、大きな課題に直面している。生成モデルは、異常データを作成するのに使われているが、この失敗は、拡散モデルの過度なダウンサンプリングは、潜伏空間において小さな異常情報の喪失を引き起こすため、依然として生じている。これに対処するために、任意のスケールにわたる高忠実な産業異常生成のための統一的なトレーニングおよび推論フレームワークであるUniScaleを導入し、トレーニング中に、モデルのリッチな位置対応テクスチャを学習できるError-Suppressed Multi-Scale Training(EMT)戦略を導入する。背景積分から異常発生を分離し、小さな異常を過剰に防止し、我々の手法は異常発生品質と下流検出性能の両方において最先端の競合より優れており、MVTec AD 2では相対IS(a)が45.86\%(81～2.64)、MVTec AD 2では37.70\%(1.22～1.68)、VisAとAUROCが4.22\%、MVTec AD 2では6.55\%向上している。コードはhttps://github.com/HUST-SLOW/UniScaleで入手できる。

関連論文リスト

MIRAGE: Model-agnostic Industrial Realistic Anomaly Generation and Evaluation for Visual Anomaly Detection [11.313360174738465]
MIRAGEは、リアルな異常画像生成とピクセルレベルのマスク生成のための完全に自動化されたパイプラインである。当社のパイプラインでは,生成モデルをAPIコールを通じてブラックボックスとしてアクセスしています。マスク生成を大規模に行うためには、軽量でトレーニング不要なデュアルブランチセマンティックチェンジ検出モジュールを導入する。
論文参考訳（メタデータ） (2026-03-13T18:36:44Z)
ShortcutBreaker: Low-Rank Noisy Bottleneck with Global Perturbation Attention for Multi-Class Unsupervised Anomaly Detection [59.89803740308262]
ShortcutBreakerはMUADタスクのための新しい統合された機能再構成フレームワークである。ショートカットの問題に対処する2つの重要なイノベーションが特徴だ。提案手法は,4つのデータセットに対して,99.8%,98.9%,90.6%,87.8%の顕著な画像レベルのAUROCを実現する。
論文参考訳（メタデータ） (2025-10-21T06:51:30Z)
Leveraging Learning Bias for Noisy Anomaly Detection [19.23861148116995]
本稿では、フル教師なし画像異常検出(FUIAD)の課題に対処する。従来の方法では、異常のないトレーニングデータを仮定するが、実世界の汚染により、モデルは通常通り異常を吸収する。モデルに固有の学習バイアスを利用する2段階のフレームワークを提案する。
論文参考訳（メタデータ） (2025-08-10T17:47:21Z)
Few-Shot Anomaly-Driven Generation for Anomaly Classification and Segmentation [38.76264181764036]
異常検出は, 産業検査における異常サンプルの不足により, 実用的かつ困難な課題である。本稿では,現実的かつ多様な異常を生成するために拡散モデルを誘導するAnoGen法を提案する。本手法は,DRAEMとDesTSegを基礎モデルとして構築し,一般的な産業用異常検出データセットであるMVTecの実験を行う。
論文参考訳（メタデータ） (2025-05-14T10:25:06Z)
Strengthening Anomaly Awareness [0.0]
我々は、教師なし異常検出の強化を目的とした、異常認識フレームワークの洗練されたバージョンを提案する。本稿では,2段階のトレーニング戦略を通じて,変分オートエンコーダ(VAE)の最小限の監視を導入する。
論文参考訳（メタデータ） (2025-04-15T16:52:22Z)
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)
AnomalyDiffusion: Few-Shot Anomaly Image Generation with Diffusion Model [59.08735812631131]
製造業において異常検査が重要な役割を担っている。既存の異常検査手法は、異常データが不足しているため、その性能に制限がある。本稿では,新しい拡散型マイクロショット異常生成モデルであるAnomalyDiffusionを提案する。
論文参考訳（メタデータ） (2023-12-10T05:13:40Z)
Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
論文参考訳（メタデータ） (2023-11-27T13:14:06Z)
Anomaly Detection via Multi-Scale Contrasted Memory [3.0170109896527086]
マルチスケールの標準プロトタイプをトレーニング中に記憶し,異常偏差値を計算する2段階の異常検出器を新たに導入する。 CIFAR-10の誤差相対改善率を最大35%とすることにより,多種多様なオブジェクト,スタイル,局所異常に対する最先端性能を高い精度で向上させる。
論文参考訳（メタデータ） (2022-11-16T16:58:04Z)
An Outlier Exposure Approach to Improve Visual Anomaly Detection Performance for Mobile Robots [76.36017224414523]
移動ロボットの視覚異常検出システム構築の問題点を考察する。標準異常検出モデルは、非異常データのみからなる大規模なデータセットを用いて訓練される。本研究では,これらのデータを利用してリアルNVP異常検出モデルの性能向上を図る。
論文参考訳（メタデータ） (2022-09-20T15:18:13Z)
Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
論文参考訳（メタデータ） (2021-08-01T14:33:17Z)

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。