論文の概要: InspectorGPT: A Comparative Reasoning Enhanced VLM for Comprehensive Industrial Anomaly Detection

• arxiv url: http://arxiv.org/abs/2608.29783v1
• Date: Sun, 30 Aug 2026 13:22:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.073626
• Title: InspectorGPT: A Comparative Reasoning Enhanced VLM for Comprehensive Industrial Anomaly Detection
• Title（参考訳）: インスペクタGPT:総合的産業異常検出のための比較推論強化VLM
• Abstract要約: 産業異常検出は現代製造業の重要な要素である。 比較推論を中心としたVLMフレームワークであるInspectorGPTを提案する。 我々は、見つからないベンチマークに対して、優れた多次元性能と一般化を示す。
• 参考スコア（独自算出の注目度）: 11.91902831370527
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Industrial anomaly detection is a critical component of modern manufacturing. Most traditional unsupervised methods rely on modelling normal feature distributions, inherently limiting generalization to unknown categories. To improve generalizability, some recent methods incorporate vision-language models (VLMs) for zero-shot detection via text prompts. However, we observe that reasoning-oriented post-training can cause anomaly discrimination to collapse, with some fine-tuned models performing worse than their base VLMs. Existing methods also provide only textual decisions or coarse boxes, without pixel-level segmentation. A more explicit detection principle comes from human inspection: anomalies are identified by comparing a query image with a defect-free reference. Inspired by this, we propose InspectorGPT, a VLM framework centered on comparative reasoning. Given a normal reference and a query image, InspectorGPT compares them to identify discrepancies and perform multiple inspection tasks with detailed reasoning. We internalize this capability through Chain-of-Thought (CoT) fine-tuning and Group Relative Policy Optimization (GRPO) with tailored, verifiable rewards. We further introduce InspectorGPT-Seg for pixel-level anomaly masks. Segmentation supervision improves anomaly discrimination but weakens semantic reasoning, while joint training fails to balance them. We therefore train the two branches separately and combine them through task-vector fusion. Extensive experiments demonstrate superior multi-dimensional performance and generalization to unseen benchmarks, validating comparative reasoning for comprehensive industrial inspection.
• Abstract（参考訳）: 産業異常検出は現代製造業の重要な要素である。 従来の教師なし手法の多くは通常の特徴分布をモデル化することに依存しており、本質的には一般化を未知の圏に限定している。 一般化性を改善するため、最近の手法ではテキストプロンプトによるゼロショット検出に視覚言語モデル(VLM)が組み込まれている。 しかしながら、推論指向のポストトレーニングは、いくつかの微調整モデルがベースVLMよりも性能が悪く、異常な差別が崩壊する可能性があることを観察する。 既存の方法は、ピクセルレベルのセグメンテーションなしで、テキストによる決定や粗いボックスのみを提供する。 異常は、クエリイメージと欠陥のない参照を比較することで識別される。 そこで本研究では,比較推論を中心としたVLMフレームワークであるInspectorGPTを提案する。 通常の参照とクエリ画像から、InspectorGPTはそれらを比較して、相違点を特定し、詳細な推論で複数の検査タスクを実行する。 われわれはこの能力を、CoT(Chain-of-Thought)ファインチューニングとGRPO(Group Relative Policy Optimization)を通じて内部化し、適切な、検証可能な報酬を付与する。 さらに,画素レベルの異常マスクに対するInspectorGPT-Segを導入する。 セグメンテーションの監督は、異常な差別を改善するが、意味論的推論を弱める一方、共同トレーニングはそれらのバランスを損なう。 したがって、2つのブランチを個別にトレーニングし、タスク・ベクター融合を通じてそれらを組み合わせます。 広範囲な実験は、見当たらないベンチマークに優れた多次元性能と一般化を示し、包括的な産業検査のための比較推論を検証した。

関連論文リスト

• AnomalyAgent: Training-Free Agentic Models for Zero-/Few-Shot Anomaly Detection [43.187781277950386]
  異常検出のためのトレーニング不要なエージェントフレームワークである textbfAnomalyAgent を提案する。 textbf1) は包括的な異常中心のツールセットであり、textbf2) はカスタマイズされたメモリモジュールである。 AnomalyAgent はトレーニング不要な VLM ベースの AD やジェネリックエージェント手法に比べ,性能が大幅に向上することを示した。
  論文  参考訳（メタデータ） (2026-05-28T16:05:42Z)
• ZSG-IAD: A Multimodal Framework for Zero-Shot Grounded Industrial Anomaly Detection [14.275030421757867]
  ZSG-IADはゼロショットの産業異常検出のためのフレームワークである。 構造化された異常レポートとピクセルレベルの異常マスクを生成する。 信頼性の高い産業異常検知システムに関する今後の研究を支援するためのコードとアノテーションをリリースする。
  論文  参考訳（メタデータ） (2026-04-20T08:30:09Z)
• AgentIAD: Tool-Augmented Single-Agent for Industrial Anomaly Detection [9.208080780536504]
  AgentIADは、多段階の視覚検査を可能にするツール駆動のフレームワークである。 AgentIADは、MMADの新しい最先端の97.62%の分類精度を達成する。
  論文  参考訳（メタデータ） (2025-12-15T18:57:04Z)
• Labels Matter More Than Models: Quantifying the Benefit of Supervised Time Series Anomaly Detection [56.302586730134806]
  時系列異常検出(TSAD)は、しばしばラベル不足によって制約される重要なデータマイニングタスクである。 現在の研究は、主に教師なし時系列異常検出に焦点を当てている。 本稿では,アーキテクチャの複雑さがTSADの最適経路である,という前提に挑戦する。
  論文  参考訳（メタデータ） (2025-11-20T08:32:49Z)
• Contamination Detection for VLMs using Multi-Modal Semantic Perturbation [73.76465227729818]
  オープンソースのVision-Language Models (VLM)は、ベンチマークタスクで最先端のパフォーマンスを達成した。 プレトレーニングコーパスは,テストセットリークによるパフォーマンスの低下という,実践者とユーザ双方にとって重要な懸念を提起する。 既存の検出手法が不整合性を示すか,不整合性を示すかを示す。 マルチモーダルなセマンティック摂動に基づく,新しい簡易かつ効果的な検出法を提案する。
  論文  参考訳（メタデータ） (2025-11-05T18:59:52Z)
• Advancing Machine-Generated Text Detection from an Easy to Hard Supervision Perspective [108.30620357325559]
  既存の機械生成テキスト(MGT)検出手法は、ラベルを「黄金標準」として暗黙的に仮定する このような不正確な条件下での信頼性の高い監視を実現するための,容易かつハードな強化フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-02T15:59:31Z)
• Seeing the Unseen: Towards Zero-Shot Inspection for Wind Turbine Blades using Knowledge-Augmented Vision Language Models [10.230967860299504]
  本稿では,ゼロショット指向の検査フレームワークを提案し,視覚言語モデルとRetrieval-Augmented Generationを統合した。 技術ドキュメント、代表参照画像、ドメイン固有のガイドラインを含むマルチモーダル知識ベースを構築する。 各種損傷カテゴリをカバーする30のラベル付きブレード画像上での枠組みの評価を行った。
  論文  参考訳（メタデータ） (2025-10-26T23:19:28Z)
• Unified Unsupervised Anomaly Detection via Matching Cost Filtering [113.43366521994396]
  教師なし異常検出(UAD)は、通常のトレーニングデータのみを用いて画像レベルの異常と画素レベルの異常を識別することを目的としている。 UADモデルの異常コスト量を補正するための汎用的なポストホック精錬フレームワークであるUnified Cost Filtering (UCF) を提案する。
  論文  参考訳（メタデータ） (2025-10-03T03:28:18Z)
• 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)
• OmniAD: Detect and Understand Industrial Anomaly via Multimodal Reasoning [76.90511414963265]
  我々は,微粒化解析のための異常検出と理解を統一するフレームワークであるOmniADを紹介した。 ビジュアル推論は、Text-as-Maskを活用することで詳細なインスペクションを提供する。 Visual Guided Textual Reasoningは、視覚知覚を統合することで包括的な分析を行う。
  論文  参考訳（メタデータ） (2025-05-28T07:02:15Z)
• Towards Training-free Anomaly Detection with Vision and Language Foundation Models [17.991678161890174]
  異常検出は、産業品質検査のような現実世界の応用に有用である。 論理的および構造的異常検出のトレーニングを必要としない新しいマルチモーダルフレームワークであるLogSADを紹介する。
  論文  参考訳（メタデータ） (2025-03-24T04:07:59Z)
• Myriad: Large Multimodal Model by Applying Vision Experts for Industrial Anomaly Detection [86.24898024621008]
  産業異常検出に視覚専門家を適用した新しい大規模マルチモーダルモデルを提案する(略してMyriad)。 我々は,視覚専門家が生成する異常マップをLMMのガイダンスとして利用し,視覚モデルが異常領域により多くの注意を払うように誘導する。 提案手法は最先端の手法に対して良好に機能するだけでなく,IAD分野におけるLMMの柔軟性や命令追従性を継承する。
  論文  参考訳（メタデータ） (2023-10-29T16:49:45Z)

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。