論文の概要: GuidedFlow: An Attention-Guided Framework for Anomaly Detection in Additive Manufacturing
- arxiv url: http://arxiv.org/abs/2608.22789v1
- Date: Mon, 24 Aug 2026 04:18:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-25 13:29:43.885625
- Title: GuidedFlow: An Attention-Guided Framework for Anomaly Detection in Additive Manufacturing
- Title（参考訳）: GuidedFlow: 付加製造における異常検出のための注意ガイド付きフレームワーク
- Abstract要約: 異常検出と局所化のための新しい注意誘導型正規化フローモデルであるtextbfGuidedFlowを提案する。
AM3D-ADデータセット上でのガイドドフローの評価を行った。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Additive Manufacturing (AM) plays a vital role in the ongoing industrial revolution. However, quality control remains crucial and challenging due to printing defects or potential cyber-physical intrusions. Image or video-based anomaly detection is a key effort towards addressing these challenges. Various approaches have been explored in this domain, including reconstruction-based, embedding-based, and flow-based methods. Though normalizing flow-based methods address some of the core challenges of unforeseen defects and generalization while maintaining detection performance, existing approaches struggle with tiny/stringing defects common in 3D printing. In a small-data setting, this poses a limitation in generalization. To address these limitations, we propose \textbf{GuidedFlow}, a novel attention-guided normalizing flow model for anomaly detection and localization. GuidedFlow employs a pre-trained ResNet model, fine-tuned on the domain dataset. An attention-guided spatial and temporal flow framework models the dynamics across multiple scales and frames. A Spatio-Temporal Attention Network (SAN) enables the flow model to prioritize relevant contextual cues from input frames. We evaluate GuidedFlow on our AM3D-AD dataset, consisting of benign and anomalous real 3D printed object images and videos. We also conduct a comparative study using the MVTec-AD industrial image anomaly detection dataset. Experimental results demonstrate that GuidedFlow outperforms most of the state-of-the-art models with enhanced detection accuracy and AUROC.
- Abstract（参考訳）: アダプティブ・マニュファクチャリング(AM)は、現在進行中の産業革命において重要な役割を担っている。
しかし、印刷欠陥やサイバー物理的侵入の可能性があるため、品質管理は依然として重要かつ困難なままである。
画像やビデオによる異常検出は、これらの課題に対処するための重要な取り組みである。
この領域では、再構成ベース、埋め込みベース、フローベースメソッドなど、さまざまなアプローチが検討されている。
フローベース手法の正規化は、検出性能を維持しながら予期せぬ欠陥と一般化のコア課題のいくつかに対処するが、既存のアプローチは3Dプリンティングに共通する小さな/弦的な欠陥に対処する。
小さなデータ設定では、これは一般化の制限となる。
このような制約に対処するために,注意誘導型正規化フローモデルである‘textbf{GuidedFlow} を提案する。
GuidedFlowでは、ドメインデータセットを微調整した、事前トレーニングされたResNetモデルを採用している。
注意誘導型空間的・時間的フローフレームワークは、複数のスケールとフレームにわたるダイナミクスをモデル化する。
Spatio-Temporal Attention Network (SAN)により、フローモデルは入力フレームから関連するコンテキストキューを優先順位付けすることができる。
AM3D-ADデータセット上でのガイドドフローの評価を行った。
また,MVTec-AD産業画像異常検出データセットを用いて比較検討を行った。
実験結果から, GuidedFlowは検出精度とAUROCを向上した最先端モデルよりも優れていた。
関連論文リスト
- ConceptADapt: Concept-guided Adaptive Feature Reconstruction with Dynamic Attention for Few-Shot Industrial Anomaly Detection [10.890692923573843]
ConceptADaptは動的注意を伴う概念誘導型適応的特徴再構成モデルである。
本研究では,スパースオートエンコーダと統合されたダイナミックアテンション機構を開発し,トレーニング中にロバストな正規概念を学習する。
我々のモデルは、検出タスクとローカライゼーションタスクの両方にわたって、最先端(SOTA)アプローチを一貫して上回ります。
論文 参考訳（メタデータ） (2026-08-06T08:27:07Z) - Knowledge-Embedded and Hypernetwork-Guided Few-Shot Substation Meter Defect Image Generation Method [0.0]
変電所メータは電力グリッドの安定運用の監視と確保において重要な役割を担っている。
クラックやその他の物理的欠陥の検出は、しばしば、注釈付きサンプルの深刻な不足によって妨げられる。
本研究では,条件付き知識埋め込みとHypernetwork-Guided Controlを安定拡散パイプラインに統合する新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2026-01-14T07:21:57Z) - Topology-Aware Modeling for Unsupervised Simulation-to-Reality Point Cloud Recognition [63.55828203989405]
我々はオブジェクトポイントクラウド上でSim2Real UDAのための新しいTopology-Aware Modeling (TAM)フレームワークを紹介する。
提案手法は,低レベルの高周波3次元構造を特徴とするグローバル空間トポロジを利用して,領域間隙を緩和する。
本稿では,クロスドメイン・コントラスト学習と自己学習を組み合わせた高度な自己学習戦略を提案する。
論文 参考訳（メタデータ） (2025-06-26T11:53:59Z) - Solving Inverse Problems with FLAIR [68.87167940623318]
本稿では,フローベース生成モデルを逆問題に先立って活用する学習自由変分フレームワークFLAIRを提案する。
標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
論文 参考訳（メタデータ） (2025-06-03T09:29:47Z) - 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) - Towards Zero-shot 3D Anomaly Localization [58.62650061201283]
3DzALは3D異常検出とローカライゼーションのためのパッチレベルの新しいコントラスト学習フレームワークである。
3DzALは最先端の異常検出および局所化性能より優れていることを示す。
論文 参考訳（メタデータ） (2024-12-05T16:25:27Z) - Few-shot Online Anomaly Detection and Segmentation [29.693357653538474]
本稿では,難易度の高いオンライン異常検出・セグメンテーション(FOADS)の課題に対処することに焦点を当てる。
FOADSフレームワークでは、モデルを数ショットの通常のデータセットでトレーニングし、その後、正常サンプルと異常サンプルの両方を含む未ラベルのストリーミングデータを活用することで、その能力の検査と改善を行う。
限られたトレーニングサンプルを用いた性能向上のために,ImageNetで事前学習したCNNから抽出したマルチスケール特徴埋め込みを用いて,ロバストな表現を得る。
論文 参考訳（メタデータ） (2024-03-27T02:24:00Z) - 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) - DifFlow3D: Toward Robust Uncertainty-Aware Scene Flow Estimation with Diffusion Model [20.15214479105187]
拡散確率モデルを用いた不確実性を考慮したシーンフロー推定ネットワーク(DifFlow3D)を提案する。
提案手法は,KITTIデータセット上での前例のないミリレベルの精度(EPE3Dで0.0078m)を達成する。
論文 参考訳（メタデータ） (2023-11-29T08:56:24Z) - Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。
我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。
製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
論文 参考訳（メタデータ） (2022-06-23T14:16:30Z) - FlowStep3D: Model Unrolling for Self-Supervised Scene Flow Estimation [87.74617110803189]
シーンフローとして知られるシーン内の点の3次元運動を推定することは、コンピュータビジョンにおける中核的な問題である。
本稿では,シーンフローの予測を洗練するための反復的アライメント手順の1ステップを学習する再帰的アーキテクチャを提案する。
論文 参考訳（メタデータ） (2020-11-19T23:23:48Z) - Same Same But DifferNet: Semi-Supervised Defect Detection with
Normalizing Flows [24.734388664558708]
畳み込みニューラルネットワークによって抽出された特徴の記述性を利用して、その密度を推定する。
これらの可能性に基づいて、欠陥を示すスコアリング関数を開発する。
本稿では,新しいMVTec ADとMagnetic Tile Defectsデータセットに対する既存のアプローチよりも優れた性能を示す。
論文 参考訳（メタデータ） (2020-08-28T10:49:28Z)
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。