Fugu-MT 論文翻訳(概要): DPA: Decoupling Product-Agnostic Anomaly Representations for Zero-shot Anomaly Generation

論文の概要: DPA: Decoupling Product-Agnostic Anomaly Representations for Zero-shot Anomaly Generation

arxiv url: http://arxiv.org/abs/2609.02075v1
Date: Wed, 02 Sep 2026 04:03:05 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-03 17:53:18.045896
Title: DPA: Decoupling Product-Agnostic Anomaly Representations for Zero-shot Anomaly Generation
Title（参考訳）: DPA:ゼロショット異常生成のための製品非依存的異常表現の分離
Abstract要約: 産業異常検出は異常サンプルから恩恵を受けるが、新しくデプロイされた製品は通常正常な画像のみを提供するため、異常サンプルの収集は困難である。既存の手法は主にテクスチャイメージやテキスト記述を異常ソースとして依存しており、しばしば非現実的な異常を生成する。本稿では,既存のソース製品から実際の異常を再利用した,異常転送に基づくゼロショット生成を提案する。
参考スコア（独自算出の注目度）: 52.52576712810738
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Industrial anomaly detection benefits from anomaly samples, yet newly deployed products typically provide only normal images, making anomaly samples difficult to collect. Zero-shot anomaly generation offers a promising solution which avoids collection of target-product anomalies. However, existing methods mainly rely on texture images or text descriptions as anomaly sources, which often produce unrealistic anomalies. Observing that similar anomalies can recur across different products, we propose anomaly transfer-based zero-shot generation, which reuses real anomalies from existing source products, making target-product anomalies no longer necessary to generate realistic anomalious samples for unseen target products. Since not every anomaly type suits the target product, an anomaly type filtering mechanism first selects plausible source types. To transfer selected anomaly, we propose DPA, a diffusion-based framework that decouples product-agnostic anomaly representations. Instead of directly extracting anomaly representations, DPA learns product-irrelevant anomaly embeddings through training with the mismatched data pair, enabling transferable anomaly concept learning across products. Furthermore, we design an adaptive mask-guided pipeline that leverages adaptive masks to control the positional and geometric plausibility of generated anomalies during generation. A training-free anomaly labeling module is further introduced to produce pixel-level annotations aligned with generated anomalies. Extensive experiments on MVTec-AD, VisA, and a dedicated anomaly-transfer benchmark demonstrate that the proposed setting and DPA generate more realistic anomalies and significantly improve downstream anomaly detection performance under both zero-shot and few-shot settings. Source code and models will be released.
Abstract（参考訳）: 産業異常検出は異常サンプルから恩恵を受けるが、新しくデプロイされた製品は通常正常な画像のみを提供するため、異常サンプルの収集は困難である。ゼロショット異常生成は、ターゲット製品異常の収集を避けるための有望なソリューションを提供する。しかし、既存の手法は主にテクスチャイメージやテキスト記述を異常ソースとして依存しており、しばしば非現実的な異常を生成する。異なる製品間で類似した異常が再帰可能であることを確認し、既存の製品から実際の異常を再利用する異常転送ベースのゼロショット生成を提案し、未確認対象製品に対して現実的な異常なサンプルを生成するために、ターゲット商品の異常をもはや不要にする。すべての異常型が対象の製品に適合するわけではないので、異常型フィルタリング機構はまず、可塑性ソースタイプを選択する。製品に依存しない異常表現を分離する拡散型フレームワークであるDPAを提案する。 DPAは、異常表現を直接抽出する代わりに、ミスマッチしたデータペアとのトレーニングを通じて製品非関連な異常埋め込みを学習し、製品間での移動可能な異常概念の学習を可能にする。さらに、適応マスクを利用した適応マスク誘導パイプラインを設計し、生成した異常の位置および幾何学的可視性を制御する。さらに、トレーニング不要な異常ラベルモジュールを導入して、生成された異常に対応するピクセルレベルのアノテーションを生成する。 MVTec-AD, VisA, and a dedicated anomaly-transfer benchmarkの大規模な実験により,提案した設定とDPAがより現実的な異常を発生し,ゼロショットと少数ショットの両方で下流異常検出性能を著しく向上することを示した。ソースコードとモデルがリリースされる。

関連論文リスト

DeCo: Zero-Shot Industrial Anomaly Generation through Decoupling and Recoupling [5.685568187371012]
ゼロショット産業異常生成は、実際の異常画像を必要としない特定の製品上の異常を生成する。既存の方法は、不正確な異常情報取得と制御されていない異常製品融合に悩まされている。本稿では, 原産地から異常構造を分離し, 対象製品の通常のテクスチャと明示的に再結合するDeCoを提案する。
論文参考訳（メタデータ） (2026-08-08T04:05:05Z)
Few-Shot Anomaly-Driven Generation for Anomaly Classification and Segmentation [38.76264181764036]
異常検出は, 産業検査における異常サンプルの不足により, 実用的かつ困難な課題である。本稿では,現実的かつ多様な異常を生成するために拡散モデルを誘導するAnoGen法を提案する。本手法は,DRAEMとDesTSegを基礎モデルとして構築し,一般的な産業用異常検出データセットであるMVTecの実験を行う。
論文参考訳（メタデータ） (2025-05-14T10:25:06Z)
KKA: Improving Vision Anomaly Detection through Anomaly-related Knowledge from Large Language Models [54.63075553088399]
Key Knowledge Augmentation (KKA)は,大規模言語モデル(LLM)から異常関連知識を抽出する手法である。 KKAは、生成した異常を、通常のサンプルと類似性に応じて、容易な異常と硬い異常と分類する。実験の結果,提案手法は様々な視覚異常検出器の性能を著しく向上させることがわかった。
論文参考訳（メタデータ） (2025-02-14T07:46:49Z)
GLAD: Towards Better Reconstruction with Global and Local Adaptive Diffusion Models for Unsupervised Anomaly Detection [60.78684630040313]
拡散モデルは、特定のノイズを付加したテスト画像の通常の画像を再構成する傾向がある。世界的視点から見ると、異なる異常による画像再構成の難しさは不均一である。本稿では,非教師付き異常検出のためのグローバルかつ局所的な適応拡散モデル(GLADと略す)を提案する。
論文参考訳（メタデータ） (2024-06-11T17:27:23Z)
AnomalyDiffusion: Few-Shot Anomaly Image Generation with Diffusion Model [59.08735812631131]
製造業において異常検査が重要な役割を担っている。既存の異常検査手法は、異常データが不足しているため、その性能に制限がある。本稿では,新しい拡散型マイクロショット異常生成モデルであるAnomalyDiffusionを提案する。
論文参考訳（メタデータ） (2023-12-10T05:13:40Z)
Anomaly Heterogeneity Learning for Open-set Supervised Anomaly Detection [26.08881235151695]
オープンセット型教師付き異常検出(OSAD)は、トレーニング中に見られたいくつかの異常クラスのサンプルを利用して、見えない異常を検出することを目的としている。異種不均一分布の多様集合をシミュレートする新しいアプローチ,すなわちAHL(Anomaly Heterogeneity Learning)を導入する。 AHL can 1) は, 目に見える異常や見えない異常の検出において, 最先端のOSADモデルを大幅に強化し, 2) 新たな領域の異常を効果的に一般化することを示した。
論文参考訳（メタデータ） (2023-10-19T14:47:11Z)
Diversity-Measurable Anomaly Detection [106.07413438216416]
本稿では,再構成の多様性を高めるため,DMAD(Diversity-Measurable Anomaly Detection)フレームワークを提案する。 PDMは基本的に、変形を埋め込みから分離し、最終的な異常スコアをより信頼性を高める。
論文参考訳（メタデータ） (2023-03-09T05:52:42Z)
Anomaly Detection by Leveraging Incomplete Anomalous Knowledge with Anomaly-Aware Bidirectional GANs [15.399369134281775]
異常検出の目標は、正常なサンプルから異常なサンプルを特定することである。本稿では,少数の異常がトレーニング段階で利用可能であることが想定されているが,これらは複数の異常タイプからのみ収集されていると推定されている。本稿では,通常のサンプルをモデル化するだけでなく,収集した異常に対して低密度値の割り当てを保証できる確率分布の学習を提案する。
論文参考訳（メタデータ） (2022-04-28T08:12:49Z)
Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
論文参考訳（メタデータ） (2021-08-01T14:33:17Z)

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。