論文の概要: NFAD: Nuisance-Filtered Anomaly Detection Under Distribution Shift

• arxiv url: http://arxiv.org/abs/2608.29112v1
• Date: Sat, 29 Aug 2026 07:41:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:30.841715
• Title: NFAD: Nuisance-Filtered Anomaly Detection Under Distribution Shift
• Title（参考訳）: NFAD:Nuisance-Filtered Anomaly Detection under Distribution Shift
• Abstract要約: 照明、背景、視点、その他の環境要因の変化は、通常のサンプルを学習された正規分布から逸脱させ、誤った異常反応を引き起こす可能性がある。 特徴空間における撮像条件の変化によるニュアンス変動を明示的にモデル化することにより、そのような分布シフトの下でADに対処する。 このようなニュアンス変動を明示的に抑制することは、標準設定での強い性能を維持しつつ、分散シフト下でADを改善することを示す。
• 参考スコア（独自算出の注目度）: 17.02727605299491
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in anomaly detection (AD) for industrial inspection have pushed performance on standard benchmarks toward saturation. However, strong benchmark performance does not necessarily translate to real-world deployment, as these benchmarks are primarily collected under controlled acquisition conditions. Changes in illumination, background, viewpoint, and other environmental factors can shift normal samples away from the learned normal distribution and cause false anomaly responses. We address AD under such distribution shifts by explicitly modeling nuisance variation from changing imaging conditions in feature space. Without anomaly labels or target-domain data, our Nuisance-Filtered Anomaly Detection (NFAD) framework estimates a nuisance subspace from matched feature displacements induced by content-preserving perturbations and suppresses its contribution to anomaly residuals at inference. The same subspace supports two complementary branches: full projection for image-level detection and selective suppression for pixel-level localization, preserving evidence of localized defects. On AeBAD-S, a benchmark specifically designed for AD under acquisition shifts, NFAD achieves 91.0\% image-level AUROC, establishing a new state of the art. Notably, this robustness does not come at the expense of conventional AD performance: NFAD remains competitive on standard benchmarks that do not explicitly evaluate distribution shift, including VisA, Real-IAD, and MVTec AD. These results show that explicitly suppressing such nuisance variation improves AD under distribution shift while preserving strong performance in standard settings.
• Abstract（参考訳）: 産業検査における異常検出(AD)の最近の進歩は、標準ベンチマークの性能を飽和に推し進めている。 しかし、これらのベンチマークは、主に制御された取得条件下で収集されるため、強力なベンチマーク性能が必ずしも実際のデプロイメントに変換されるとは限らない。 照明、背景、視点、その他の環境要因の変化は、通常のサンプルを学習された正規分布から逸脱させ、誤った異常反応を引き起こす可能性がある。 特徴空間における撮像条件の変化によるニュアンス変動を明示的にモデル化することにより、そのような分布シフトの下でADに対処する。 我々のNFAD(Nuisance-Filtered Anomaly Detection)フレームワークは、異常な部分空間を、コンテンツ保存摂動によって引き起こされる一致した特徴変位から推定し、推論時の異常残差への寄与を抑制する。 同じ部分空間は、画像レベルの検出のための完全なプロジェクションと、ピクセルレベルのローカライゼーションのための選択的抑制の2つの補完枝をサポートし、局所的な欠陥の証拠を保存する。 AeBAD-Sは、取得シフトの下でAD用に特別に設計されたベンチマークであり、NFADは91.0\%の画像レベルのAUROCを達成し、新しい最先端技術を確立している。 NFADは、VisA、Real-IAD、MVTec ADなどの分散シフトを明示的に評価しない標準ベンチマークで競争力を維持しています。 これらの結果から,このようなニュアンス変動を明示的に抑制することで,標準設定での強い性能を維持しつつ,分散シフト時のADが向上することが示された。

関連論文リスト

• ContextShift: A Controlled Benchmark for Context Dependence in Object Detection [1.8320252176005443]
  我々は、オブジェクトの外観を保ちながら、オブジェクト-コンテキスト関係を操作するベンチマークであるContextShiftを紹介する。 偽陰性は227%まで増加し,予測量は44%まで減少する。 拡張されたすべての変種は、オリジナルの画像と操作されたテストイメージの両方でデータセットのみのベースラインよりも優れています。
  論文  参考訳（メタデータ） (2026-06-08T13:48:16Z)
• MoASE++: Mixture of Activation Sparsity Experts with Domain-Adaptive On-policy Distillation for Continual Test Time Adaptation [65.068801413044]
  連続的なテスト時間適応は、非定常な未ラベルのターゲットストリームにソース予測モデルを適用する。 ドメインに依存しない構造をドメイン固有のテクスチャから切り離す。
  論文  参考訳（メタデータ） (2026-05-18T01:52:12Z)
• FACTOR: Counterfactual Training-Free Test-Time Adaptation for Open-Vocabulary Object Detection [63.91351553178842]
  FACTORはオープン語彙オブジェクト検出のためのトレーニング不要なテスト時間適応である。 属性依存性の予測を選択的に抑制するために、属性の感度、意味的関連性、予測のバリエーションを定量化する。 PASCAL-C, COCO-C, FoggyCityscapes の実験では、FACTOR が従来の TTA 法より一貫して優れていたことが示されている。
  論文  参考訳（メタデータ） (2026-05-05T02:31:18Z)
• GroundingAnomaly: Spatially-Grounded Diffusion for Few-Shot Anomaly Synthesis [16.74245445257004]
  我々は,新しい数発の異常画像生成フレームワークであるGroundingAnomalyを提案する。 本フレームワークでは,画素ごとのセマンティックマップを活用する空間条件モジュールを導入している。 Gated Self-Attention Moduleは、凍結したU-Netに条件付きトークンを注入するように設計されている。
  論文  参考訳（メタデータ） (2026-04-09T14:34:50Z)
• Correcting False Alarms from Unseen: Adapting Graph Anomaly Detectors at Test Time [60.341117019125214]
  グラフ異常検出(GAD)における未確認正規pattErnsの修正のための,軽量かつプラグアンドプレイなテスト時間適応フレームワークを提案する。 意味的混乱に対処するために、シフトしたデータと元のデータとをグラフ属性レベルで整合させるグラフ整合器を用いる。 10個の実世界のデータセットに対する大規模な実験により、TUNEは事前学習されたGADモデルの合成パターンと実際の見えない正常パターンの両方への一般化性を著しく向上することが示された。
  論文  参考訳（メタデータ） (2025-11-10T12:10:05Z)
• Generate Aligned Anomaly: Region-Guided Few-Shot Anomaly Image-Mask Pair Synthesis for Industrial Inspection [53.137651284042434]
  異常検査は製造業において重要な役割を担っているが、異常サンプルの不足は既存の方法の有効性を制限している。 本稿では,GAA (Generate grained Anomaly) を提案する。 GAAは少数のサンプルのみを用いて現実的で多様で意味的に整合した異常を発生させる。
  論文  参考訳（メタデータ） (2025-07-13T12:56:59Z)
• Normalized Attention Guidance: Universal Negative Guidance for Diffusion Models [57.20761595019967]
  注意空間にL1をベースとした正規化・精細化を施した,効率的かつトレーニング不要な機構である正規化注意誘導(NAG)を提案する。 NAGは、CFGが忠実性を維持しながら崩壊する効果的な負のガイダンスを復元する。 NAGはアーキテクチャ(UNet、DiT)、サンプリングレシスタンス(複数ステップ、複数ステップ)、モダリティ(イメージ、ビデオ)をまたいで一般化する
  論文  参考訳（メタデータ） (2025-05-27T13:30:46Z)
• 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)
• Invariant Anomaly Detection under Distribution Shifts: A Causal Perspective [6.845698872290768]
  異常検出(AD、Anomaly Detection)は、異常なサンプルを識別する機械学習タスクである。 分散シフトの制約の下では、トレーニングサンプルとテストサンプルが同じ分布から引き出されるという仮定が崩壊する。 我々は,異常検出モデルのレジリエンスを,異なる種類の分布シフトに高めようとしている。
  論文  参考訳（メタデータ） (2023-12-21T23:20:47Z)
• OMASGAN: Out-of-Distribution Minimum Anomaly Score GAN for Sample Generation on the Boundary [0.0]
  生成モデルは, アウト・オブ・ディストリビューション(OoD)サンプルに高い可能性と低い再構成損失を設定した。 OMASGANは、負のデータ増大方法で、推定分布境界上の異常サンプルを生成する。 OMASGANは、分布境界上に発生する異常最小値のOoDサンプルを含むことにより、再訓練を行う。
  論文  参考訳（メタデータ） (2021-10-28T16:35:30Z)

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。