論文の概要: ShiftSplit-AD: Separating Domain Shift from Defects in Foundation-Feature Visual Anomaly Detection

• arxiv url: http://arxiv.org/abs/2608.27610v1
• Date: Thu, 27 Aug 2026 18:42:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-31 17:16:04.11769
• Title: ShiftSplit-AD: Separating Domain Shift from Defects in Foundation-Feature Visual Anomaly Detection
• Title（参考訳）: ShiftSplit-AD: Foundation-Feature Visual Anomaly Detectionにおける欠陥からドメインシフトを分離する
• Abstract要約: 本研究は, DINOv2残基の構造的分解がシフト誘起エビデンスを抑制することができるかどうかを考察する。 ShiftSplit-ADは、パッチ残留行列をローランクおよびロースパースコンポーネントに分解する。 実験は普遍的な分離というよりはむしろ中心的なトレードオフを露呈する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Visual anomaly detectors based on frozen foundation-model features commonly score distances from test patches to a memory of normal features. Benign acquisition changes can also enlarge these distances, confounding domain variation with defects. We investigate whether structured decomposition of nearest-normal DINOv2 residuals can suppress shift-induced evidence while retaining unseen defects. ShiftSplit-AD decomposes the patch residual matrix into low-rank and row-sparse components and scores the sparse component, with an optional low-rank/sparse fusion. The experiments expose a central trade-off rather than a universal separation: genuine defects can contain correlated, low-dimensional structure, so filtering broad residual activity may also remove defect information. On AeBAD-S, using settings fixed after Bottle development, sparse-only scoring improves image AUROC from 0.6780 to 0.7294 and AUPRC from 0.8052 to 0.8465. Paired bootstrap 95% intervals for the improvements are [0.0238, 0.0808] and [0.0170, 0.0650], respectively. However, sparse-only scoring reduces mean clean AUROC from 0.9890 to 0.9133 on four held-out MVTec categories and degrades Bottle localization. These findings show that residual decomposition can help when domain shift strongly contaminates anomaly evidence, but preserving defect structure remains the limiting problem.
• Abstract（参考訳）: 凍結基礎モデルに基づく視覚異常検出器は、一般にテストパッチから通常の特徴のメモリまでの距離をスコアする。 良質な取得変更は、これらの距離を拡大し、欠陥とドメインの変化を相殺する。 我々は,最も近いDINOv2残基の構造的分解が,未知の欠陥を保ちながら,シフト誘起の証拠を抑制できるかどうか検討した。 ShiftSplit-ADは、パッチ残留行列をローランクおよびロースパースコンポーネントに分解し、オプションのローランク/スパース融合でスパースコンポーネントをスコアする。 実験は、普遍的な分離ではなく、中心的なトレードオフを露呈する:真の欠陥は相関性のある低次元構造を含むことができ、広い残留活性をフィルタリングすることで、欠陥情報も除去できる。 AeBAD-Sでは、ボトル開発後に固定された設定を用いて、スパースのみのスコアリングにより、画像AUROCは0.6780から0.7294に、AUPRCは0.8052から0.8465に改善されている。 改良のためのペアリングブートストラップ95%間隔は [0.0238, 0.0808] と [0.0170, 0.0650] である。 しかし、スパースのみのスコアリングにより、平均クリーンなAUROCは4つのMVTecカテゴリーで0.9890から0.9133に減少し、ボトル局在を低下させる。 これらの結果は, ドメインシフトが異常な証拠を強く汚染する場合, 残留分解は有効であるが, 欠陥構造の保存が限界問題であることを示している。

関連論文リスト

• When does a spectral prior help graph learning? Connectivity-loss estimation under road-network disruptions [0.0]
  グラフニューラルネットワーク(GNN)を用いた多端削除後の相対的代数接続損失を推定する。 GCN、GraphSAGE、エッジ対応MPNNバックボーンを解析ベースラインと比較する。 その結果、スペクトル残差は、構造的接続性スクリーニングに有用ながドメイン感受性誘導バイアスとして特徴づけられる。
  論文  参考訳（メタデータ） (2026-09-10T07:12:22Z)
• Differentiable Interval Bottlenecks for Interpretable Anomaly Detection in Numerical Data [0.5213778368155993]
  DIFFINTは、遅延ボトルネックがソフトな軸方向のインターバルメンバシップのセットとして構成されるオートエンコーダである。 統計的にタイトされた7つの方法のリードクラスターの中で唯一の解釈可能な検出器である。
  論文  参考訳（メタデータ） (2026-09-03T14:05:27Z)
• Can You Trust Frozen Hematology Foundation Models under Acquisition Shift? [0.0]
  4つの公開シングルセル取得ドメインで15の凍結エンコーダを監査する。 ドメイン内の線形プローブマクロF1は飽和(0.98-0.997)であるが、クロスデータセットマクロF1は34-72%低下する。 ドメイン内で最高のDinoBloom-Lは、RedDinoといくつかの一般および病理エンコーダに次いで、最もシフトしたターゲット(MLL23)で15の10位に落ちる。
  論文  参考訳（メタデータ） (2026-08-25T20:55:57Z)
• Support Operation Factorization: Compositional Readout of Frozen Vision Encoders under Controlled Interventions [87.95757610455173]
  我々は、x演算グリッドとSO-OPFをサポートするために、インジェクティブに整合した残余セルアウトプロトコルを導入する。 グリッドが分かっているときにキャリアがホールドアウトバインディングを構成するかどうか、フラットなセルラベルからグリッドを回収できるかどうかという2つの質問を分離する。
  論文  参考訳（メタデータ） (2026-08-06T15:38:55Z)
• Post-Operative Glioma Segmentation via Loss Stabilization, Normalization and Subspace Attention [46.03321798937855]
  ドメインシフトの際,GDL(Generalized Dice Loss)が不安定であることを示す。 本稿では,ボトルネック機能を再校正するサブスペース・アウェア・クラス・アテンション(SACA)モジュールを提案し,腫瘍の感度を8%向上させる。
  論文  参考訳（メタデータ） (2026-07-23T09:59:30Z)
• Domain Shift in Echocardiography: Interpretable Quantification and Prediction of Cross-Dataset Left Ventricular Segmentation [0.5599792629509228]
  心エコー図による左室分画の臨床的展開には, クロスデータセットの一般化が大きな障壁となっている。 超音波ディスクリプタ,VOE潜時特徴,セグメンテーション由来潜時特徴を用いて,展開前に転写劣化を推定できるかどうかを検討した。
  論文  参考訳（メタデータ） (2026-07-22T00:48:57Z)
• UniVAD v2: Unified Visual Anomaly Detection via Support-Conditioned Boundary Construction [40.70728779828606]
  視覚異常検出を統一した両面支持構造であるUniVAD v2を提案する。 UniVADのコンポーネントパッチ分割・条件付きフレームワーク上に構築されたUniVAD v2は、最適輸送モデリングモジュール(OTRM)を用いて、通常の側面を強化する。 異常側では、Few-Shot Abnormal Reference Module (FAR) が異常参照を境界調整のための拒絶側証拠に変換する。
  論文  参考訳（メタデータ） (2026-06-29T02:38:51Z)
• Unsupervised Domain Shift Detection with Interpretable Subspace Attribution [48.553902624178995]
  ドメインシフトはデータセットの確率分布の微妙な違いである。 高次元特徴空間における局所密度異常を検出するアルゴリズムを用いて,これらのシフトを同定する。 ドメインシフトを小さな機能セットにトレースすることで、シフトを解釈できます。
  論文  参考訳（メタデータ） (2026-05-15T12:58:00Z)
• D3R-Net: Dual-Domain Denoising Reconstruction Network for Robust Industrial Anomaly Detection [0.0]
  非教師付き異常検出(UAD)は、現代の製造において、自動視覚検査の鍵となる要素である。 本稿では、D3R-Netについて紹介する。D3R-Netは、自己教師型「癒し」タスクと周波数認識正規化を結合したデュアルドメイン・デノベーション・コンストラクションフレームワークである。 空間平均二乗誤差に加えて、周波数領域の整合性を促進するFast Fourier Transform (FFT) 等級損失を用いる。
  論文  参考訳（メタデータ） (2026-01-27T23:21:59Z)
• Hide-and-Seek Attribution: Weakly Supervised Segmentation of Vertebral Metastases in CT [68.09387763135236]
  脊椎レベルの健康・悪性のラベルにのみ、病変マスクを伴わずに訓練を施した弱い指導方法を提案する。 マスクの監視がないにも関わらず,強い爆発・解析性能を達成する。
  論文  参考訳（メタデータ） (2025-12-07T14:03:28Z)
• I Detect What I Don't Know: Incremental Anomaly Learning with Stochastic Weight Averaging-Gaussian for Oracle-Free Medical Imaging [2.384534878752428]
  異常ラベルを使わずに,信頼度の高い正規サンプル群を漸進的に拡張する,教師なしのオラクルフリーフレームワークを導入する。 凍結した事前訓練された視覚バックボーンは、小さな畳み込みアダプタで拡張され、無視できる計算オーバーヘッドを伴う高速なドメイン適応が保証される。 COVID-CXRでは、ROC-AUCは0.9489から0.9982に改善され、肺炎CXRでは0.6834から0.8968に上昇し、脳MRIではND-5では0.6041から0.7269に上昇する。
  論文  参考訳（メタデータ） (2025-11-05T23:28:14Z)
• MSFlow: Multi-Scale Flow-based Framework for Unsupervised Anomaly Detection [124.52227588930543]
  教師なし異常検出(UAD)は多くの研究の関心を集め、幅広い応用を推進している。 不明瞭だが強力な統計モデルである正規化フローは、教師なしの方法で異常検出と局所化に適している。 非対称な並列フローと融合フローからなるMSFlowと呼ばれる新しいマルチスケールフローベースフレームワークを提案する。 我々のMSFlowは、検出AUORCスコアが99.7%、ローカライゼーションAUCROCスコアが98.8%、プロスコアが97.1%の新たな最先端技術を実現している。
  論文  参考訳（メタデータ） (2023-08-29T13:38:35Z)
• ADTR: Anomaly Detection Transformer with Feature Reconstruction [40.68590890351697]
  通常のサンプルからの事前知識のみによる異常検出が注目されている。 既存のCNNベースの画素再構成アプローチには2つの懸念がある。 本稿では,事前学習した特徴の再構成にトランスフォーマを適用するために,ADTR(Anomaly Detection TRansformer)を提案する。
  論文  参考訳（メタデータ） (2022-09-05T08:01:27Z)

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。