論文の概要: Dual Anchors, Do It Better: Hierarchical Group Merging for Zero-Shot Anomaly Detection

• arxiv url: http://arxiv.org/abs/2608.11933v1
• Date: Wed, 12 Aug 2026 11:21:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-13 19:07:54.561189
• Title: Dual Anchors, Do It Better: Hierarchical Group Merging for Zero-Shot Anomaly Detection
• Title（参考訳）: Dual Anchors, It It Better: Hierarchical Group Merging for Zero-Shot Anomaly Detection
• Abstract要約: ゼロショット異常検出(ZSAD)は、見えない領域の異常を特定することを目的としている。 ほとんどのCLIPベースのZSADメソッドは、テキストモダリティのみにセマンティクスをアンロックする。 本稿では,従来のテキストアンカーと階層的な画像アンカーを補完するDual-Anchorフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 14.410822772754658
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Zero-shot anomaly detection (ZSAD) aims to identify anomalies in unseen domains, a setting that is particularly critical for industrial and medical applications where domain shifts are prevalent. However, most CLIP-based ZSAD methods anchor semantics solely on the text modality, making performance highly sensitive to prompt design and leading to weak visual grounding. To mitigate these limitations, we propose a Dual-Anchor framework that complements conventional text anchors with hierarchical image anchors constructed via a top-down grouping mechanism. This mechanism progressively aggregates local-to-global image features to form normal and abnormal group tokens, which serve as image anchors and act as gating signals in a Group-Gated Token Refiner to enhance the global representation. The refined image anchors are then fused with text prompts to construct dynamic state prompts. By jointly reinforcing visual and textual semantics, our framework stabilizes image-text alignment, reduces prompt dependency, and achieves strong generalization across 8 industrial and 6 medical benchmarks.
• Abstract（参考訳）: ゼロショット異常検出(ZSAD)は、未確認領域における異常を特定することを目的としている。 しかし、ほとんどのCLIPベースのZSADメソッドは、テキストのモダリティのみにセマンティクスをアンロックし、設計に非常に敏感になり、視覚的な接地が弱くなる。 これらの制約を緩和するために、従来のテキストアンカーを補完するDual-Anchorフレームワークと、トップダウングルーピング機構によって構築された階層的な画像アンカーを提案する。 この機構は、局所的・言語的特徴を段階的に集約し、正常かつ異常なグループトークンを形成し、画像アンカーとして機能し、グループゲート型トークン精錬器のゲーティング信号として機能し、グローバル表現を強化する。 洗練されたイメージアンカーはテキストプロンプトと融合して動的状態プロンプトを構成する。 視覚とテキストのセマンティクスを協調的に強化することにより、画像テキストのアライメントを安定化し、迅速な依存を低減し、8つの産業と6つの医療ベンチマークで強力な一般化を実現する。

関連論文リスト

• Primitive-Driven Compositional Forensic Visual Prompting for Open-World Face Anti-Spoofing [59.765442274924595]
  視覚的特徴空間で完全に機能する合成視覚的プロンプト学習フレームワークを提案する。 このフレームワークは、学習可能なマイクロ法医学的プリミティブの共有セットを局所的な法医学的エビデンスユニットに洗練するためにパッチ対応の注意を払っている。 9つのオープンワールドプロトコルの実験は、最先端のパフォーマンス、強力なクロスドメインの一般化、そして目に見えない攻撃への堅牢な適応を示す。
  論文  参考訳（メタデータ） (2026-08-18T04:18:08Z)
• Beyond Static Anchors: Bounded Prototype Conditioning for Language-Free Medical Anomaly Detection [52.986874008247554]
  本稿では,静的アンカーを入力条件付きビジュアルプロトタイプに置き換える言語フリーフレームワークReCAPを提案する。 ReCAPリセンターは、境界ゲート変調により、各画像の正常と異常なプロトタイプを分離した。 3つのセグメンテーションデータセットで最高のゼロショットレベルのAUROCと、24の複数ショット設定のうち23のゼロショットレベルのAUROCを達成する。
  論文  参考訳（メタデータ） (2026-08-01T04:46:55Z)
• Zero-Shot Chinese Character Recognition via Global-Local Dual-Branch Alignment and Hierarchical Inference [15.854290215907179]
  漢字のカテゴリーは非常に大きく、未確認の文字はオープンワールドのシナリオでしばしば現れる。 既存のIDSベースの検索手法は通常、文字画像とそのイデオロギー記述シーケンスを1つのグローバルベクトルに符号化してマッチングする。 文字画像とIDSシーケンスのグローバルおよびローカル表現を共同で学習するグローバルローカル階層知覚ネットワーク(GL-HPN)を提案する。
  論文  参考訳（メタデータ） (2026-05-09T09:05:59Z)
• LAGO: Language-Guided Adaptive Object-Region Focus for Zero-Shot Visual-Text Alignment [11.785675631199455]
  細かい設定では、関連するエビデンスはしばしば、完全なイメージではなく、局所化された部分、属性、テクスチャに置かれる。 最近の局所的な視覚テキストアライメント手法は、クラス記述と複数の画像領域を比較してこの問題に対処している。 LAGOは、効率的なゼロショットローカライズされた視覚テキストアライメントのためのフレームワークである。
  論文  参考訳（メタデータ） (2026-05-04T09:07:00Z)
• Disentangled Textual Priors for Diffusion-based Image Super-Resolution [41.71306518338786]
  Image Super-Resolutionは、劣化した低解像度入力から高解像度画像を再構成することを目的としている。 既存のアプローチは、グローバルなレイアウトとローカルな詳細を混ぜ合わせた、絡み合った、あるいは粗い粒度の前のものに依存することが多い。 DTPSRは,2つの相補的な次元に絡み合ったテキストの先行処理を導入する新しい拡散型SRフレームワークである。
  論文  参考訳（メタデータ） (2026-03-08T03:02:55Z)
• Entropy-Aware Structural Alignment for Zero-Shot Handwritten Chinese Character Recognition [7.632962062462334]
  ゼロショット手書き漢字認識は、急進的な意味合成を活用することで、目に見えない文字を認識することを目的としている。 本稿では,情報理論モデリングにより視覚と意味のギャップを埋めるエントロピー対応構造アライメントネットワークを提案する。 ICDAR 2013データセットで55.04%の精度を達成し,新しい最先端性能を実現する。
  論文  参考訳（メタデータ） (2026-02-03T16:08:40Z)
• SSVP: Synergistic Semantic-Visual Prompting for Industrial Zero-Shot Anomaly Detection [55.54007781679915]
  本稿では,多種多様な視覚的エンコーディングを効率よく融合させ,モデルの微粒化知覚を高めるSynergistic Semantic-Visual Prompting (SSVP)を提案する。 SSVPは、MVTec-AD上で93.0%のImage-AUROCと92.2%のPixel-AUROCで最先端のパフォーマンスを達成し、既存のゼロショットアプローチを著しく上回っている。
  論文  参考訳（メタデータ） (2026-01-14T04:42:19Z)
• When Semantics Regulate: Rethinking Patch Shuffle and Internal Bias for Generated Image Detection with CLIP [13.360123625878733]
  CLIPベースの検出器は、しばしばジェネレータアーティファクトではなくセマンティックキューに依存しており、分散シフト時の不安定なパフォーマンスをもたらす。 Patch Shuffleは、グローバルなセマンティックな連続性を阻害するCLIPに対して、非常に強力なメリットを提供する。 本稿では,セマンティックサブ空間を凍結し,人工物に敏感な層のみを適応させるセマンティック・アンタゴニスティックな微調整パラダイムであるSemAntiを提案する。
  論文  参考訳（メタデータ） (2025-11-24T13:54:00Z)
• Leveraging Hierarchical Image-Text Misalignment for Universal Fake Image Detection [58.927873049646024]
  実画像と比較して,偽画像は対応するキャプションと適切に一致しないことを示す。 本稿では,視覚空間における画像テキストの不一致を識別的手がかりとして活用し,簡易かつ効果的なITEMを提案する。
  論文  参考訳（メタデータ） (2025-11-01T06:51:14Z)
• Enhancing CLIP Robustness via Cross-Modality Alignment [54.01929554563447]
  視覚言語モデルのための最適なトランスポートベースフレームワークであるクロスモダリティアライメントを提案する。 COLAは、グローバルな画像テキストアライメントと特徴空間における局所的な構造的一貫性を復元する。 COLAはトレーニングフリーで、既存の微調整モデルと互換性がある。
  論文  参考訳（メタデータ） (2025-10-28T03:47:44Z)
• HCCM: Hierarchical Cross-Granularity Contrastive and Matching Learning for Natural Language-Guided Drones [29.663691563826095]
  自然言語誘導ドローン(NLGD)は、ターゲットマッチングやナビゲーションといったタスクに新しいパラダイムを提供する。 ドローンシナリオにおける広い視野と複雑な構成意味論は、視覚言語理解の課題を提起する。 階層的クロスグラニュラリティコントラストとマッチング学習フレームワークを2つのコンポーネントで提案する。
  論文  参考訳（メタデータ） (2025-08-29T11:50:24Z)
• Constrained Prompt Enhancement for Improving Zero-Shot Generalization of Vision-Language Models [57.357091028792325]
  ウェブスケールのデータに基づいて事前訓練された視覚言語モデル(VLM)は、ゼロショットの一般化を約束するが、しばしば意味的ミスアライメントに悩まされる。 視覚・テクストアライメントを改善するために,制約付きプロンプトエンハンスメント(CPE)法を提案する。 提案手法はTGSSG(Topology-Guided Synonymous Semantic Generation)とCADRS(Calegory-Agnostic Discriminative Region Selection)の2つの重要なコンポーネントから構成される。
  論文  参考訳（メタデータ） (2025-08-24T15:45:22Z)
• LeftRefill: Filling Right Canvas based on Left Reference through Generalized Text-to-Image Diffusion Model [55.20469538848806]
  leftRefillは、参照誘導画像合成のための大規模なテキスト・ツー・イメージ(T2I)拡散モデルを利用する革新的なアプローチである。 本稿では、参照誘導画像合成に大規模なテキスト・ツー・イメージ拡散モデル(T2I)を効果的に活用するための革新的なアプローチであるLeftRefillを紹介する。
  論文  参考訳（メタデータ） (2023-05-19T10:29:42Z)

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。