論文の概要: Continuity-Driven Representation Learning for Industrial Defect Detection

• arxiv url: http://arxiv.org/abs/2608.17362v1
• Date: Tue, 18 Aug 2026 04:31:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-19 21:40:53.220273
• Title: Continuity-Driven Representation Learning for Industrial Defect Detection
• Title（参考訳）: 産業欠陥検出のための連続型表現学習
• Abstract要約: 産業的欠陥検出は、検査画像が繰り返し構造を持つ大きな正常な領域を含むため、自然画像オブジェクト検出とは異なる。 本研究では, 正規支配領域を高密度補助監督として活用する連続性駆動型表現正規化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）: 10.126273003671388
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Industrial defect detection differs from natural-image object detection because inspection images are captured under controlled conditions and contain large normal-dominant regions with repetitive structures. Defects therefore appear as localized disruptions of otherwise predictable patterns, while conventional detectors rely mainly on sparse bounding-box supervision, resulting in weakly constrained normal-region representations. We propose a continuity-driven representation regularization framework that exploits normal-dominant regions as dense auxiliary supervision. The framework introduces two detector-agnostic objectives: Multi-Continuity Loss, which combines 1D patch-sequence prediction and 2D masked spatial prediction, and Differencing Loss, which regularizes first-order feature variation and second-order curvature between neighboring patch embeddings. Both objectives are applied with box-derived region weighting to stabilize normal-region representations while preserving defect-related discontinuities. Experiments on two real-world industrial datasets and the public NEU-DET benchmark, using six detector architectures including YOLO-family models, MambaYOLO, and DETR, demonstrate consistent improvements over native detector baselines. In the full-data setting, the proposed regularizers improve average mAP@0.5:0.95 by up to 3.49 percentage points on Industrial Metal, 5.38 percentage points on MEA, and 5.03 percentage points on NEU-DET. Under limited-data conditions, the gains become more pronounced, with Differencing Loss achieving improvements of up to 21.07 percentage points in mAP@0.5 and 8.23 percentage points in mAP@0.5:0.95 on NEU-DET using only 25% of the training data. These results suggest that continuity-driven regularization provides an effective prior for improving industrial defect detection, particularly when annotated data are scarce.
• Abstract（参考訳）: 産業的欠陥検出は、検査画像が制御条件下で撮影され、繰り返し構造を持つ大きな正常な領域を含むため、自然像検出と異なる。 したがって欠陥は、他の予測可能なパターンの局所的な破壊のように見えるが、従来の検出器は主にスパース・バウンディング・ボックスの監督に依存しており、弱く制約された正規領域の表現をもたらす。 本研究では, 正規支配領域を高密度補助監督として活用する連続性駆動型表現正規化フレームワークを提案する。 1次元パッチシーケンス予測と2次元マスク付き空間予測を組み合わせたMulti-Continuity Lossと、隣接するパッチ埋め込み間の1次特徴変動と2次曲率を規則化するDifference Lossである。 両方の目的がボックス由来の領域重み付けで適用され、欠陥関連不連続を保ちながら正規領域表現を安定化する。 2つの実世界の産業データセットと、YOLOファミリーモデル、MambaYOLO、DETRを含む6つの検出器アーキテクチャを使用したNEU-DETベンチマークの実験は、ネイティブ検出器ベースラインよりも一貫した改善を示している。 全データ設定では、提案された正則化器は平均mAP@0.5:0.95を工業金属の3.49ポイント、MEAの5.38ポイント、NEU-DETの5.03ポイントまで改善する。 限られたデータ条件下では、Difference Lossはトレーニングデータの25%しか使用せず、mAP@0.5で21.07ポイント、NEU-DETで8.23ポイントの改善を実現している。 これらの結果は,特にアノテートデータが少ない場合において,連続性駆動型正則化が工業的欠陥検出に有効な先行手段となることを示唆している。

関連論文リスト

• Spatial Attention Supervision for Defect Localization: Exploiting Ground-Truth Masks as Training Signal in Diffusion-Augmented Defect Detection [0.0]
  産業用データセットの地道欠陥マスクは一般に評価のために予約されている。 本稿では,分類ネットワークの訓練中に空間的監視信号として再利用する。
  論文  参考訳（メタデータ） (2026-09-05T19:20:23Z)
• GeoID-PINN: Identifiability-Aware Regional Epidemic Inference with Geographic Coupling [1.0875426095207128]
  本稿では,物理インフォームドニューラルネットワーク(PINN)を導入する。 我々は、距離、隣接性、通勤性、およびリードラグ情報から構築された空間先行を正規化する。 Forecast-Trained Geo-PINNは自己回帰的な負二項基底に対して、平均二乗誤差(MSE)を32,957から11,468、平均絶対誤差(MAE)を70.60から57.73に減少させる。
  論文  参考訳（メタデータ） (2026-07-28T05:59:23Z)
• Rough Path Signature-Guided Geometry Augmentation for Few-Shot Industrial Surface Defect Detection [0.0]
  本稿では粗路シグネチャ誘導幾何拡張(RPS-GA)を提案する。 RPS-GAは、カニーエッジの輪郭を平面経路として扱う幾何学的アプローチである。 その結果, 2次経路符号幾何は, 数発の工業的欠陥検出を強化する実用的な方法であることがわかった。
  論文  参考訳（メタデータ） (2026-07-14T01:14:58Z)
• FoundationGeo: Learning Spatial Pixel-Wise Fields for Monocular Metric Geometry [52.232826445242644]
  FoundationGeoは空間キャリブレーションと原則データ設計による相対的および計量的予測を橋渡しする。 ステージ1は DINOv3 で初期化することで高忠実なアフィン不変幾何モデルを学ぶ。 ステージ2は、メートル法推定のためのピクセルワイドキャリブレーションフィールドを導入することで、グローバルなスケーリングを越えている。
  論文  参考訳（メタデータ） (2026-07-13T14:10:01Z)
• IAD-Unify: A Region-Grounded Unified Model for Industrial Anomaly Segmentation, Understanding, and Generation [21.900464211494022]
  実世界の産業検査では、欠陥をローカライズし、自然言語で説明し、制御された欠陥編集を生成する必要がある。 IAD-Unifyは,凍結したDINOv2系領域の専門家が正確な異常証拠を提供する,デュアルエンコーダ統合フレームワークである。 IAD-Unifyは、トレーニング中に見えないカテゴリ、堅牢なクロスカテゴリの一般化など、MMADベンチマークで強力なパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2026-04-14T08:29:31Z)
• Crane: Context-Guided Prompt Learning and Attention Refinement for Zero-Shot Anomaly Detection [50.343419243749054]
  異常検出は、医学診断や工業的欠陥検出などの分野において重要である。 CLIPの粗粒化画像テキストアライメントは、微粒化異常に対する局所化と検出性能を制限する。 クレーンは最先端のZSADを2%から28%に改善し、画像レベルとピクセルレベルの両方で、推論速度では競争力を維持している。
  論文  参考訳（メタデータ） (2025-04-15T10:42:25Z)
• Robust Distribution Alignment for Industrial Anomaly Detection under Distribution Shift [51.24522135151649]
  異常検出は産業アプリケーションの品質管理において重要な役割を担っている。 既存の方法は、一般化可能なモデルをトレーニングすることで、ドメインシフトに対処しようとする。 提案手法は,最先端の異常検出法や領域適応法と比較して,優れた結果を示す。
  論文  参考訳（メタデータ） (2025-03-19T05:25:52Z)
• Breaking the Bias: Recalibrating the Attention of Industrial Anomaly Detection [20.651257973799527]
  RAAD(Recalibrating Attention of Industrial Anomaly Detection)は、アテンションマップを系統的に分解・再分類するフレームワークである。 HQSは、アテンションマップの階層性に基づいてビット幅を動的に調整する。 一つの3090tiを用いて,32データセットに対するRAADの有効性を検証した。
  論文  参考訳（メタデータ） (2024-12-11T08:31:47Z)
• 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)
• REB: Reducing Biases in Representation for Industrial Anomaly Detection [16.550844182346314]
  本稿では,ドメインバイアスを考慮した表現におけるReduceing Biases (REB)を提案する。 また,特徴空間における局所密度バイアスを低減し,効果的な異常検出を実現するために,局所密度KNN(LDKNN)を提案する。 提案したREB法は,Vgg11やResnet18などの小さなバックボーンネットワークを用いて,広く使用されているMVTec AD上で99.5%のIm.AUROCを実現する。
  論文  参考訳（メタデータ） (2023-08-24T05:32:29Z)
• Exploring the Relationship between Samples and Masks for Robust Defect Localization [1.90365714903665]
  本稿では,モデルプロセスなしで欠陥パターンを直接検出する一段階フレームワークを提案する。 欠陥の位置を示す可能性のある明示的な情報は、直接マッピングを学ぶことを避けるために意図的に除外される。 その結果,提案手法はF1-ScoreのSOTA法よりも2.9%高い値を示した。
  論文  参考訳（メタデータ） (2023-06-19T06:41:19Z)
• Industrial Anomaly Detection and Localization Using Weakly-Supervised Residual Transformers [44.344548601242444]
  Weakly-supervised RESidual Transformer (WeakREST) という新しいフレームワークを導入し,高い異常検出精度を実現する。 画素単位の異常局所化タスクをブロック単位の分類問題に再構成する。 弱いラベルと残差に基づく表現との相互作用を処理できるResMixMatchアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-06-06T08:19:30Z)
• PaDiM: a Patch Distribution Modeling Framework for Anomaly Detection and Localization [64.39761523935613]
  本稿では,画像中の異常を同時検出・ローカライズするPatch Distribution Modeling, PaDiMを提案する。 PaDiMは、パッチの埋め込みに事前訓練された畳み込みニューラルネットワーク(CNN)を使用している。 また、CNNの異なるセマンティックレベル間の相関を利用して、異常のローカライズも改善している。
  論文  参考訳（メタデータ） (2020-11-17T17:29:18Z)
• Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection [85.53263670166304]
  一段検出器は基本的に、物体検出を密度の高い分類と位置化として定式化する。 1段検出器の最近の傾向は、局所化の質を推定するために個別の予測分岐を導入することである。 本稿では, 上記の3つの基本要素, 品質推定, 分類, ローカライゼーションについて述べる。
  論文  参考訳（メタデータ） (2020-06-08T07:24:33Z)

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。