論文の概要: DeCo: Zero-Shot Industrial Anomaly Generation through Decoupling and Recoupling

• arxiv url: http://arxiv.org/abs/2608.07904v1
• Date: Sat, 08 Aug 2026 04:05:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:36.556209
• Title: DeCo: Zero-Shot Industrial Anomaly Generation through Decoupling and Recoupling
• Title（参考訳）: DeCo:デカップリング・リカップリングによるゼロショット産業異常発生
• Authors: Shilei Zeng, Xurui Li, Yaohan Tang, Yu Zhou,
• Abstract要約: ゼロショット産業異常生成は、実際の異常画像を必要としない特定の製品上の異常を生成する。 既存の方法は、不正確な異常情報取得と制御されていない異常製品融合に悩まされている。 本稿では, 原産地から異常構造を分離し, 対象製品の通常のテクスチャと明示的に再結合するDeCoを提案する。
• 参考スコア（独自算出の注目度）: 5.685568187371012
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Industrial anomaly inspection is severely hindered by the scarcity of real anomalous data.Zero-shot industrial anomaly generation addresses this by generating anomalies on specific products without requiring any of their real anomalous images. However, existing methods suffer from two critical limitations, i.e., inaccurate anomaly information acquisition and uncontrolled anomaly-product fusion.To overcome these challenges, we propose DeCo, which decouples the anomaly structure from its source product, and explicitly recouples it with the normal textures of the target product. During anomaly information acquisition,Dual-Routing Flow (DR-Flow) binds the texture-invariant anomaly structure to an abnormal token, while a parallel constraint, Product-Invariant Flow (PI-Flow), prevents the abnormal token from binding the source product. During anomaly-product fusion, we propose a hybrid injection to recouple the acquired anomaly structure with the target product, and Product Compatibility Correction (PCC) to compensate for the incompatibility between the acquired anomaly structure and the product. Extensive experiments demonstrate that DeCo establishes a new state-of-the-art. Training downstream detection models on our generated data yields massive pixel AP improvements of 5.1\% on MVTec AD and 8.2\% on VisA. Code is available at https://github.com/HUST-SLOW/DeCo.
• Abstract（参考訳）: 産業異常検査は、実際の異常データの不足により深刻な障害を受けており、ゼロショット工業異常生成は、実際の異常画像を必要としない特定の製品に異常を発生させることによって、この問題に対処する。 しかし, 既存の手法では, 不正確な異常情報取得と制御不能な異常生成物の融合という2つの限界に悩まされており, これらの課題を克服するために, ソース製品から異常構造を分離し, 対象製品の通常のテクスチャと明示的に再結合するDeCoを提案する。 異常情報取得中、Dual-Routing Flow(DR-Flow)は、テクスチャ不変の異常な構造を異常なトークンに結合する一方、並列制約であるProduct-Invariant Flow(PI-Flow)は、異常なトークンがソース製品に結びつくのを防ぐ。 本研究では, 得られた異常構造を対象物と再結合するハイブリッドインジェクションと, 得られた異常構造と製品との非互換性を補う製品適合性補正(PCC)を提案する。 大規模な実験は、DeCoが新しい最先端を確立していることを示している。 生成されたデータに対する下流検出モデルのトレーニングにより、MVTec ADでは5.1\%、VisAでは8.2\%の大規模なAP改善が得られる。 コードはhttps://github.com/HUST-SLOW/DeCoで入手できる。

関連論文リスト

• Noise & pattern: identity-anchored Tikhonov regularization for robust structural anomaly detection [58.535473924035365]
  異常検出は自動産業検査において重要な役割を担い、他の均一な視覚パターンの微妙な欠陥や稀な欠陥を識別することを目的としている。 自己教師型オートエンコーダを用いて, 破損した入力の修復を学習する構造的異常検出に取り組む。 構造欠陥を模倣した画像に人工的破壊を注入する汚職モデルを導入する。
  論文  参考訳（メタデータ） (2025-11-10T15:48:50Z)
• 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)
• Component-aware Unsupervised Logical Anomaly Generation for Industrial Anomaly Detection [31.27483219228598]
  異常検出は、製品の品質を確保し、自動化プロセスの効率を向上させるために、工業生産において重要である。 最近の生成モデルは、しばしば偽陽性を増大させる非現実的な異常を発生させるか、訓練のために現実世界の異常サンプルを必要とする。 本稿では,論理的異常生成のギャップに対処するコンポーネント・アウェアで教師なしのフレームワークであるComGENを提案する。
  論文  参考訳（メタデータ） (2025-02-17T11:54:43Z)
• 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)
• 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)
• Diversity-Measurable Anomaly Detection [106.07413438216416]
  本稿では,再構成の多様性を高めるため,DMAD(Diversity-Measurable Anomaly Detection)フレームワークを提案する。 PDMは基本的に、変形を埋め込みから分離し、最終的な異常スコアをより信頼性を高める。
  論文  参考訳（メタデータ） (2023-03-09T05:52:42Z)

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。