論文の概要: SPARC: Subspace Position-Aware Robust Few-Shot Calibration for Distribution-Shifted Industrial Anomaly Detection
- arxiv url: http://arxiv.org/abs/2608.18585v1
- Date: Wed, 19 Aug 2026 06:25:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-20 20:13:55.305455
- Title: SPARC: Subspace Position-Aware Robust Few-Shot Calibration for Distribution-Shifted Industrial Anomaly Detection
- Title（参考訳）: SPARC: 分散シフト産業異常検出のためのサブスペース位置対応ロバストショット校正
- Abstract要約: エンコーダと検出器間のパッチ特徴をインターセプトする数ショットキャリブレーション法を提案する。
この補正は勾配や重量の更新は必要とせず、メモリバンク、密度、プロトタイプ、相互検知器で動作する。
- 参考スコア（独自算出の注目度）: 4.214241374885902
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Vision-based industrial anomaly detectors are calibrated on one distribution but may be deployed on another that differs in illumination, fixture placement, or sensor characteristics, sharply degrading an otherwise accurate detector. Adapting to the incoming lot is a natural response, but labeled anomalies are scarce. We therefore consider calibration using only a handful of verified-normal images available before scoring the rest of the lot. Existing fixes require backpropagation, detector-specific tuning, or choices about feature directions that few calibration samples cannot justify. We present SPARC, a few-shot calibration method that intercepts patch features between encoder and detector and removes a closed-form, spatially indexed estimate of deployment-time nuisance through per-cell subspace projection. It needs only $k \le 8$ verified-normal images and uses the algebraic saturation rank $r{=}k{-}1$ on the encoder's native patch grid. The correction requires no gradient or weight updates and works with memory-bank, density, prototype, and mutual detectors. On the shift-prone benchmarks, SPARC improves pooled Image AUROC and AU-PRO$_{0.3}$ for all seven detectors whose image scores depend on corrected patch features by $+13.8$ and $+3.5$ percentage points (pp), respectively; on benchmarks without engineered shift, the changes are small and mixed. Controls that give competing corrections the same calibration images attribute these gains to the per-cell subspace structure rather than the images alone. Further ablations support the saturation-rank choice and characterize sensitivity to backbone and calibration conditions.
- Abstract（参考訳）: 視覚に基づく産業用異常検知器は、ある分布で校正されるが、照明、フィクスチャ配置、センサー特性が異なる別の分布に展開され、他の正確な検出器を著しく劣化させる。
入ってくるロットへの適応は自然な反応であるが、ラベル付き異常は少ない。
そこで,検定では,検定済み画像のみを用いて検定を行い,残りの部分の検定を行う。
既存の修正には、バックプロパゲーション、検出器固有のチューニング、あるいは少数の校正サンプルが正当化できない特徴方向の選択が必要である。
本研究では,エンコーダと検出器間のパッチ特徴をインターセプトする数ショットキャリブレーション手法SPARCを提案する。
これは、$k \le 8$検証正規イメージのみを必要とし、エンコーダのネイティブパッチグリッドで代数飽和ランク$r{=}k{-}1$を使用する。
この補正は勾配や重量の更新は必要とせず、メモリバンク、密度、プロトタイプ、相互検知器で動作する。
シフト確率のベンチマークでは、SPARCは、修正パッチ機能に依存する7つの検出器に対して、AUROCとAU-PRO$_{0.3}$をそれぞれ$+13.8$と$+3.5$%ポイント(pp)で改善している。
競合する補正を同じ校正画像で行う制御は、これらの利得は、画像のみでなくセル単位のサブ空間構造に帰着する。
さらにアブレーションは飽和ランクの選択をサポートし、バックボーンとキャリブレーション条件に対する感度を特徴付ける。
関連論文リスト
- Calibration-Informative Region Selection for Online LiDAR--Camera Calibration in Agricultural Environments [6.51006117672225]
マルチモーダルキャリブレーションに対するサポートマップ駆動型アプローチを提案する。
MDPCalib を用いたオンラインLiDAR-カメラキャリブレーションの定式化を行う。
主要な貢献は密集キャリブレーション支援マップであり、アライメントされた観測に関するクロスモーダルな合意を集約する。
論文 参考訳（メタデータ） (2026-05-22T12:48:56Z) - Robust Camera-to-Mocap Calibration and Verification for Large-Scale Multi-Camera Data Capture [18.22576487999375]
魚眼カメラの校正・検証システムについて述べる。
lollypopは、キャリブレーションデータから完全に独立した測定チェーンを通じて、高速で演算子に依存しない評価を提供する。
システムは運用データ収集パイプラインにデプロイされている。
論文 参考訳（メタデータ） (2026-04-23T23:37:00Z) - Foundation Visual Encoders Are Secretly Few-Shot Anomaly Detectors [58.75916798814376]
FoundADと呼ばれる数発の異常検出装置を開発した。
画像中の異常量は学習した埋め込みの差と直接相関する。
簡単な演算子は、画像中の分布外領域を特徴付け識別する異常検出の有効なツールとして機能する。
論文 参考訳（メタデータ） (2025-10-02T11:53:20Z) - Pose-Robust Calibration Strategy for Point-of-Gaze Estimation on Mobile Phones [52.87468614536999]
キャリブレーション点と頭部の多様性が推定精度に与える影響を分析する。
実験により、キャリブレーション中により広い範囲の頭部ポーズを導入することで、推定器がポーズ変動を処理する能力を向上させることが示されている。
携帯電話を移動しながらキャリブレーションポイントを固定する動的キャリブレーション戦略を提案する。
論文 参考訳（メタデータ） (2025-08-14T01:28:30Z) - CaLiV: LiDAR-to-Vehicle Calibration of Arbitrary Sensor Setups [0.8437187555622164]
自律システムでは、ダイナミック環境における安全かつ効率的なナビゲーションにはセンサキャリブレーションが不可欠である。
既存のLiDARキャリブレーション法の多くは、重なり合う視野を必要とするが、外部センサーデバイスを使ったり、機能豊富な環境を仮定するものもある。
本研究では,CaLiVと呼ばれるマルチLiDARシステムの外部センサ・センサ・センサ・バイヒクルキャリブレーションのための新しいターゲットベース手法を提案する。
このアルゴリズムは、重複しない視野で機能し、外部センサーデバイスを必要としない。
論文 参考訳（メタデータ） (2025-03-31T08:08:21Z) - UniCal: Unified Neural Sensor Calibration [32.7372115947273]
自動運転車(SDV)には、LiDARとカメラの正確な校正が必要である。
従来のキャリブレーション手法では、制御され構造化されたシーンでキャプチャされたフィデューシャルを利用し、処理を最適化するために対応を計算する。
我々は、複数のLiDARとカメラを備えたSDVを強制的に校正する統合フレームワークUniCalを提案する。
論文 参考訳（メタデータ） (2024-09-27T17:56:04Z) - Learning to Make Keypoints Sub-Pixel Accurate [80.55676599677824]
本研究は,2次元局所特徴の検出におけるサブピクセル精度の課題に対処する。
本稿では,検出された特徴に対するオフセットベクトルを学習することにより,サブピクセル精度で検出器を拡張できる新しいネットワークを提案する。
論文 参考訳（メタデータ） (2024-07-16T12:39:56Z) - Orthogonal Causal Calibration [55.28164682911196]
我々は、因果校正作業を標準(非因果予測モデル)の校正作業に還元する一般的なアルゴリズムを開発する。
以上の結果から,既存のキャリブレーションアルゴリズムを因果的設定に応用できることが示唆された。
論文 参考訳（メタデータ） (2024-06-04T03:35:25Z) - SOAC: Spatio-Temporal Overlap-Aware Multi-Sensor Calibration using Neural Radiance Fields [10.958143040692141]
自律運転のような急速に進化する領域では、動作精度と安定性を確保するために、異なるモードの複数のセンサーを使用することが不可欠である。
各センサが提供した情報を単一の共通フレームで正確に活用するためには、これらのセンサを正確に校正することが不可欠である。
我々は、共通の表現において異なるモダリティを表現するために、ニューラルラジアンス場(Neural Radiance Fields)の能力を利用する。
論文 参考訳（メタデータ） (2023-11-27T13:25:47Z) - Automatic Extrinsic Calibration Method for LiDAR and Camera Sensor
Setups [68.8204255655161]
本論文では,LiDAR,単眼,ステレオカメラを含む任意のセンサのパラメータを校正する手法を提案する。
提案手法は、通常、車両のセットアップで見られるように、非常に異なる解像度とポーズのデバイスを扱うことができる。
論文 参考訳（メタデータ） (2021-01-12T12:02:26Z) - Deep Soft Procrustes for Markerless Volumetric Sensor Alignment [81.13055566952221]
本研究では、より堅牢なマルチセンサ空間アライメントを実現するために、マーカーレスデータ駆動対応推定を改善する。
我々は、幾何学的制約を終末的に典型的なセグメンテーションベースモデルに組み込み、対象のポーズ推定タスクと中間密な分類タスクをブリッジする。
実験により,マーカーベースの手法で同様の結果が得られ,マーカーレス手法よりも優れ,またキャリブレーション構造のポーズ変動にも頑健であることがわかった。
論文 参考訳（メタデータ） (2020-03-23T10:51:32Z)
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。