論文の概要: Neural-Collapse-guided Task-Free Continual Anomaly Detection

• arxiv url: http://arxiv.org/abs/2609.03406v1
• Date: Thu, 03 Sep 2026 06:04:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-04 18:28:38.93828
• Title: Neural-Collapse-guided Task-Free Continual Anomaly Detection
• Title（参考訳）: ニューラル・コラプス誘導型タスクフリー連続異常検出
• Abstract要約: NC-TFADは、タスク境界のない非定常データストリームから学習するための、ニューラルネットワークに着想を得た幾何学駆動のフレームワークである。 MVTec AD と VisA の実験では、NC-TFAD はタスクなし連続学習法よりも一貫して優れていた。
• 参考スコア（独自算出の注目度）: 8.011228181749289
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent years have witnessed growing interest in continual anomaly detection for industrial visual inspection. However, real-world manufacturing environments exhibit unpredictable shifts in data distributions, rendering task-dependent continual learning assumptions impractical. To address this limitation, we formulate industrial anomaly detection as a task-free continual learning problem and propose NC-TFAD, a neural-collapse-inspired, geometry-driven framework for learning from non-stationary data streams without task boundaries. NC-TFAD freezes a pretrained backbone and aligns streaming features to a simplex Equiangular Tight Frame (ETF) prototype space to stabilize representation geometry under non-stationary streams. To satisfy the NC-inspired geometric construction in the absence of real anomalies, we generate synthetic anomaly samples as auxiliary anchors during training. Building on this geometry, we further introduce inter- and intra-class regularization together with a Focal Neural Collapse Contrastive (FNCC) loss to suppress representation drift and improve normal-anomaly separability. Finally, a normal-patch-prototype-guided localization branch constructs calibrated patch-wise deviation maps from normal training samples and fuses them with a weak self-attention prior, producing anomaly heatmaps without pixel-level annotations. Extensive experiments on MVTec AD and VisA show that NC-TFAD consistently outperforms representative task-free continual learning methods adapted from general vision, as well as unified anomaly detection baselines, in both image-level detection and pixel-level localization under the task-free continual learning protocol. These results highlight that geometry-driven modeling offers an effective and robust solution for task-free continual anomaly detection in real-world industrial applications.
• Abstract（参考訳）: 近年,産業用視覚検査における連続的異常検出への関心が高まっている。 しかし、現実の製造業環境は、データ分布の予測不可能な変化を示し、タスク依存の継続的な学習仮定を非現実的にレンダリングする。 この制限に対処するために、産業異常検出をタスクフリー連続学習問題として定式化し、タスク境界のない非定常データストリームから学習するためのニューラルネットワークを用いた幾何学駆動フレームワークNC-TFADを提案する。 NC-TFADは、事前訓練されたバックボーンを凍結し、ストリーミング機能を、非定常ストリームでの表現幾何学を安定化させるために、単純な等角的タイトフレーム(ETF)のプロトタイプ空間に整列する。 NCにインスパイアされた実際の異常のない幾何学的構成を満たすため、トレーニング中に補助アンカーとして合成異常サンプルを生成する。 この形状に基づいて,FNCC(Foccal Neural Collapse Contrastive)の損失とともに,クラス間およびクラス内正規化を導入し,表現のドリフトを抑制し,正常・異常分離性を向上させる。 最後に、正規パッチ型誘導型局所化ブランチは、通常のトレーニングサンプルから校正されたパッチワイドな偏差マップを構築し、弱自己注意で融合し、ピクセルレベルのアノテーションを使わずに異常なヒートマップを生成する。 MVTec ADとVisAの大規模な実験により、NC-TFADはタスクフリー連続学習プロトコルの下で画像レベルの検出と画素レベルのローカライゼーションの両方において、一般的な視覚から適応された代表的タスクフリー連続学習法と統一された異常検出ベースラインを一貫して上回っていることが示された。 これらの結果は, 実世界の産業アプリケーションにおいて, タスク不要な連続異常検出のための, 効果的かつ堅牢な解法として, 幾何駆動モデリングが有効であることを示している。

関連論文リスト

• Point Cloud Diffusion with Global and Local Reconstruction for Instance-Level 3D Anomaly Detection [53.26344422459608]
  インスタンスレベルの3次元異常発生と検出のための点群拡散フレームワークである textbfPCDiff を提案する。 生成フェーズでは、インスタンスレベルのマルチモーダルアテンションが生成フレームワークに埋め込まれ、そこでは異常にテクスチャ勾配、画像パッチ、テキスト、マスクが条件付けられている。 検出段階では,局所的異常回復と大域的幾何整合性を確保するために,共同局所言語再構成アルゴリズムが導入された。
  論文  参考訳（メタデータ） (2026-06-24T12:11:05Z)
• Need We Teach Foundation Models What is a Generative Image? Gradient-Free Generative Artifact Detection via Analytic Spectral Adaptation [3.881211374324378]
  勾配ベースの更新による生成成果物の検出に基礎モデルを適用することで、本質的な表現が損なわれる。 本稿では,二分分類から外分布(OOD)異常測定問題への検出を緩和する勾配のない手法を提案する。
  論文  参考訳（メタデータ） (2026-06-03T13:04:23Z)
• Industrial Surface Defect Detection via Diffusion Generation and Asymmetric Student-Teacher Network [12.392157257527705]
  工業的な表面欠陥検出は、しばしば限られた欠陥サンプル、厳しい長い尾の分布、複雑な背景の下で微妙な欠陥を正確に局所化することの難しさに悩まされる。 本稿では,非対称な教師・学生アーキテクチャとDDPM(Denoising Diffusion Probabilistic Model)を統合した教師なし欠陥検出手法を提案する。
  論文  参考訳（メタデータ） (2026-04-21T08:47:32Z)
• 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)
• Registration is a Powerful Rotation-Invariance Learner for 3D Anomaly Detection [64.0168648353038]
  ポイントクラウドデータにおける3次元異常検出は、高い信頼性で構造欠陥を特定することを目的として、産業品質管理に不可欠である。 現在のメモリバンクベースの手法は、しばしば一貫性のない特徴変換と限定的な識別能力に悩まされる。 本稿では、ポイントクラウド登録とメモリベース異常検出の目的を統合した、登録による回転不変の特徴抽出フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-19T14:56:38Z)
• Generating and Reweighting Dense Contrastive Patterns for Unsupervised Anomaly Detection [59.34318192698142]
  我々は、先行のない異常発生パラダイムを導入し、GRADと呼ばれる革新的な教師なし異常検出フレームワークを開発した。 PatchDiffは、様々な種類の異常パターンを効果的に公開する。 MVTec ADとMVTec LOCOデータセットの両方の実験も、前述の観測をサポートする。
  論文  参考訳（メタデータ） (2023-12-26T07:08:06Z)
• Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
  本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。 さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。 提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
  論文  参考訳（メタデータ） (2023-11-27T13:14:06Z)
• Harnessing Contrastive Learning and Neural Transformation for Time Series Anomaly Detection [0.0]
  時系列異常検出(TSAD)は多くの産業応用において重要な役割を担っている。 コントラスト学習は、ラベルのないデータから意味のある表現を抽出する過程において、時系列領域で勢いを増している。 本研究では,学習可能な変換で強化されたウィンドウベースのコントラスト学習戦略を取り入れた新しいアプローチであるCNTを提案する。
  論文  参考訳（メタデータ） (2023-04-16T21:36:19Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)

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。