論文の概要: What Remains Normal? Clean Images Miss Useful Near-Defect Normal Patches for Anomaly Detection

• arxiv url: http://arxiv.org/abs/2608.23299v1
• Date: Mon, 24 Aug 2026 14:22:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 18:24:37.014356
• Title: What Remains Normal? Clean Images Miss Useful Near-Defect Normal Patches for Anomaly Detection
• Title（参考訳）: 正常に残るものは何か? クリーンな画像は、異常検出に役立たずのノーマルパッチを欠いている
• Abstract要約: メモリベースの異常検知器は、名目上のトレーニングパッチを格納し、このメモリに対してテストパッチをスコアする。 我々はこの結合とスパーストレーニング汚染を探索する。 クリーンコンは、最終メモリ汚染を近似的にゼロに減らし、12の整合した比較でカテゴリマクロP-APを増加させる。
• 参考スコア（独自算出の注目度）: 4.021476382793037
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Memory-based anomaly detectors store nominal training patches and score test patches against this memory. A patch selected for coverage therefore becomes a nor- mal reference without a separate check that geometric rarity makes it safe to trust. We probe this coupling with sparse training contamination. Under fixed representa- tions and memory budgets, we compare random, medoid, local, and global coverage selectors. We then use CLEANCON, an out-of-bag cross-image support gate that changes candidate-image eligibility while fixing the representation, absolute mem- ory size, builder, and inference rule. Global coverage strongly over-represents sparse contamination. CLEANCON reduces final-memory contamination to approx- imately zero and increases category-macro P-AP in all 12 matched comparisons. Yet along a retention sweep, the lowest-contamination memory does not attain the highest P-AP; performance continues to improve while contamination rises. Mem- ory contamination therefore does not order the resulting memories by P-AP.Code is publicly available at https://github.com/jw-chae/cleancon.
• Abstract（参考訳）: メモリベースの異常検知器は、名目上のトレーニングパッチを格納し、このメモリに対してテストパッチをスコアする。 したがって、カバレッジのために選択されたパッチは、幾何学的希少性によって信頼されるような別個のチェックなしで、非不正参照となる。 我々はこの結合とスパーストレーニング汚染を探索する。 固定された表現-オプションとメモリ予算の下では、ランダム、メドイド、ローカル、グローバルのカバレッジセレクタを比較します。 次に、CLEANCON(out-of-bag cross-image support gate)を使用し、表現、絶対mm-oryサイズ、ビルダー、推論ルールを修正しながら、候補-image の適性を変更する。 グローバルな範囲はスパース汚染を強く表している。 CLEANCONは、最終メモリ汚染を近似的にゼロに減らし、12の一致した比較でカテゴリマクロP-APを増加させる。 しかし、保持スイープに沿って、最低汚染メモリが最も高いP-APを達成することができず、汚染が上昇する間も性能は改善され続けている。 P-AP.Codeはhttps://github.com/jw-chae/cleancon.comで公開されている。

関連論文リスト

• The Immutable Past: Formalizing State Mutability and Conflict Resolution in Mutable RAG [0.0]
  本稿では,高密度検索がAsymptotic Recall Decayに苦しむことを証明するために,状態変化のメカニズムを定式化する。 これを解決するために,厳密な推論時間一貫性プロトコルであるGC-Memを導入する。
  論文  参考訳（メタデータ） (2026-09-13T15:28:07Z)
• What Memory Composition Does Not Tell Us About Anomaly Detection [4.021476382793037]
  メモリベースの異常検知器は、名目上のトレーニングパッチを格納し、このメモリに対してテストパッチをスコアする。 我々はこの結合とスパーストレーニング汚染を探索する。 クリーンコンは、最終メモリ汚染を近似的にゼロに減らし、12の整合した比較でカテゴリマクロP-APを増加させる。
  論文  参考訳（メタデータ） (2026-08-24T14:20:38Z)
• Rank-1 Identity Consensus Predicts Gallery Enrollment in 1:N Face Matching More Accurately than Score Thresholding [10.972593664929425]
  運用1:N顔認証では、各プローブに重要な疑問が生じる:この人物はギャラリーに登録されているか? ほとんどのアプローチはしきい値にマッチするが、スコアは画像の品質とギャラリーのサイズと構成に大きく変化し、現実的な条件下では展開前のしきい値が不安定になる。 我々の以前の研究は、複数の独立に訓練されたマーカにまたがるランクコンセンサスに基づく唯一の方法である1-一貫性を導入しました。 この作業は、4つの品質レベルと2つの構造軸にまたがる36のシナリオ(ギャリー、プローブ品質)にわたる1-一貫性をテストする。
  論文  参考訳（メタデータ） (2026-07-14T15:38:08Z)
• What to Keep, What to Forget: A Rate--Distortion View of Memory Compaction in LLMs and Agents [1.0742675209112622]
  4つの研究コミュニティがそれぞれ,大規模言語メモリのコンパクト化を学んでいることを示す。 我々は、これらが1つの問題の例であると主張する。 このレンズを1つのコンパクト化目標と層に依存しない下界で正確にし、スタック全体からメソッドを一様に分類する7軸分類法を構築するために使用する。
  論文  参考訳（メタデータ） (2026-07-09T01:15:03Z)
• ProCon: Projection-Consistency Memory for Training-Free Anomaly Detection [6.76482561610618]
  ProConは、メモリ検索をデコーダなしの再構成に変換する、トレーニング不要のフレームワークである。 7つの標準メトリクスの下で、画像レベルとピクセルレベルの強いパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-07-06T10:23:24Z)
• Kamera: Unified Position-Invariant Multimodal KV Cache for Training-Free Reuse [1.081571058570587]
  マルチモーダルエージェントは、同じビデオフレーム、UIスクリーンショット、アーティファクトをコンテキストウィンドウスライドとして再検査する。 この再計算は回避可能であることを示すとともに,KV再利用が損なうものを特定する。 したがって、ブラインドはシングルホップのリコールをそのまま残し、マルチホップの精度を半減させる。 トレーニング不要な低ランク条件パッチを各位置のないチャンクに格納して修復する。
  論文  参考訳（メタデータ） (2026-06-22T16:47:00Z)
• Echo-Memory: A Controlled Study of Memory in Action World Models [58.77172260403133]
  本研究では,行動条件付き世界モデルにおける記憶機構の制御に関する研究を行う。 既存のメモリ設計と比較するのは難しいのは、ゲインにはバックボーン、トレーニング、検索、評価の違いが絡み合っているからである。 我々はEcho-Memoryを使ってアクション・ツー・ビデオのインタフェースを修正し、生成元によって履歴が保存され読み込まれるかだけを変える。
  論文  参考訳（メタデータ） (2026-06-08T17:54:10Z)
• SoftPatch+: Fully Unsupervised Anomaly Classification and Segmentation [84.07909405887696]
  本論文は、完全教師なし産業異常検出(すなわち、ノイズデータ付き教師なしAD)を初めて検討したものである。 メモリベースの非教師なしAD手法であるSoftPatchとSoftPatch+を提案する。 既存の手法と比較して、SoftPatchは通常のデータの強力なモデリング能力を維持し、コアセットにおける過信問題を軽減する。 様々なノイズシナリオで実施された総合的な実験により、SoftPatchとSoftPatch+はMVTecAD、ViSA、BTADのベンチマークで最先端のADメソッドよりも優れていた。
  論文  参考訳（メタデータ） (2024-12-30T11:16:49Z)
• Learning to Rank Patches for Unbiased Image Redundancy Reduction [80.93989115541966]
  画像は、隣接する領域の画素が空間的に相関しているため、空間的冗長性に悩まされる。 既存のアプローチでは、意味の少ない画像領域を減らし、この制限を克服しようとしている。 本稿では,Learning to Rank Patchesと呼ばれる画像冗長性低減のための自己教師型フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-31T13:12:41Z)
• Target before Shooting: Accurate Anomaly Detection and Localization under One Millisecond via Cascade Patch Retrieval [49.45246833329707]
  異常検出(AD)の「マッチング」性を再検討する 本稿では,ADの精度と実行速度を同時に向上する新しいADフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-13T11:49:05Z)
• Soft Diffusion: Score Matching for General Corruptions [84.26037497404195]
  我々は,任意の線形汚職過程のスコア関数を確実に学習するSoft Score Matchingと呼ばれる新しい目的を提案する。 本研究の目的は, 汚職過程の家族に対して, 適正な規則性条件下での確率の勾配を学習することである。 提案手法はCelebA-64上でのFIDスコアを1.85ドルで達成し,従来の線形拡散モデルよりも優れていた。
  論文  参考訳（メタデータ） (2022-09-12T17:45:03Z)
• Segment and Complete: Defending Object Detectors against Adversarial Patch Attacks with Robust Patch Detection [142.24869736769432]
  敵のパッチ攻撃は最先端の物体検出器に深刻な脅威をもたらす。 パッチ攻撃に対して物体検出器を防御するフレームワークであるSegment and Complete Defense (SAC)を提案する。 SACは、物理的パッチ攻撃の標的攻撃成功率を著しく低減できることを示す。
  論文  参考訳（メタデータ） (2021-12-08T19:18:48Z)

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。