論文の概要: Training-Free Logical and Structural Anomaly Detection via Calibrated Fusion

• arxiv url: http://arxiv.org/abs/2609.05091v1
• Date: Fri, 04 Sep 2026 12:45:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 18:15:24.038525
• Title: Training-Free Logical and Structural Anomaly Detection via Calibrated Fusion
• Title（参考訳）: 校正核融合による無訓練論理・構造異常検出
• Abstract要約: 追加トレーニングやパートレベルの監視を必要とせずに,無トレーニング異常検出にカウント機能を導入できることが示唆された。 本手法は, 論理的および構造的異常に対して, 89.0と95.9の画像レベルAUROCをそれぞれ達成し, 92.5の平均値を得た。
• 参考スコア（独自算出の注目度）: 4.800682857279701
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Industrial anomaly detection must handle two distinct defect families: structural anomalies, which manifest as local texture corruptions, and logical anomalies, which violate global rules on object count, composition, or arrangement. Existing detectors typically favor one family at the expense of the other. In particular, training-free methods effectively exploit frozen representations but lack an explicit notion of object count, while methods that reason about counts usually rely on category-specific component modeling. We show that counting ability can be introduced into training-free anomaly detection without additional training or part-level supervision. Our key idea is a normal-set calibration that aligns heterogeneous anomaly cues using statistics from normal images, enabling their direct fusion within a unified training-free framework. Built upon this calibration, our detector combines complementary frozen cues to address both logical and structural anomalies. On MVTec-LOCO, our method achieves image-level AUROCs of 89.0 and 95.9 on logical and structural anomalies, respectively, yielding a 92.5 average---the best among training-free detectors in our comparison. It remains competitive with methods requiring network training or part annotations, while its structural variant matches PatchCore on MVTec-AD (99.1 image-AUROC), suggesting that the proposed calibration generalizes beyond logical anomaly detection.
• Abstract（参考訳）: 産業的異常検出は、局所的なテクスチャの破損として現れる構造的異常と、対象数、構成、配置に関する世界的な規則に違反している論理的異常の2つの異なる欠陥ファミリーを扱う必要がある。 既存の検出器は、一方を犠牲にして一方の家族を好むのが一般的である。 特に、トレーニングフリーなメソッドは、凍結表現を効果的に活用するが、対象数という明確な概念を欠いている。 追加トレーニングやパートレベルの監視を必要とせずに,無トレーニング異常検出にカウント機能を導入できることが示唆された。 私たちのキーとなるアイデアは、通常の画像からの統計を用いて異種異常の手がかりを整列する正規セット校正です。 このキャリブレーションに基づいて、我々の検出器は、論理的および構造的異常の両方に対処するために、相補的な凍結キューを組み合わせる。 MVTec-LOCOでは,画像レベルの89.0と95.9のAUROCをそれぞれ論理的および構造的異常に対して達成し,平均92.5となる。 ネットワークトレーニングや部分アノテーションを必要とする手法と競合するが、その構造的バリエーションはMVTec-AD (99.1 image-AUROC)上のPatchCoreと一致する。

関連論文リスト

• 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)
• BoRAD: Bootstrap your Own Representations for Multi-class Anomaly Detection [0.0]
  レコンストラクションに基づく異常検出は, 産業検査には魅力的だが, カテゴリー別訓練から1対1設定までスケールアップすることは困難である。 ラベルのないトレーニングフレームワークである textbfBoRAD を提案し,これを表現能力割当問題として扱う。
  論文  参考訳（メタデータ） (2026-06-12T05:29:25Z)
• When Rule Violations Are Rare: Chimera Training for Logical Anomaly Detection [56.362776482614976]
  本研究では,学習した視覚概念に対する制約を論理規則として与える環境での異常検出について検討する。 本稿では,各制約を有向非巡回グラフにコンパイルし,特徴認識サブツリーゲートを学習するニューラルルール評価器を提案する。 CLEVRER、OpenImages、VidOR全体で、結果として得られる評価は、独立イベントと同一イメージのセマンティックトレーニングベースラインよりもルールレベルのAUROCを改善する。
  論文  参考訳（メタデータ） (2026-05-25T02:52:36Z)
• Testing the Test: Score-Direction Instability in Class-Split Anomaly Detection [56.362776482614976]
  データセット内のクラス分割評価は、完全に非条件のアウト・オブ・ディストリビューション異常検出のプロキシとして広く利用されている。 このプロトコルは、保持された異常クラスが表現空間の通常の混合と重なり合う場合、悪用される可能性があることを示す。 そこで本研究では,Fashion-MNIST,CIFAR-10,Imagenette間のスコア方向不安定性を予測する。
  論文  参考訳（メタデータ） (2026-05-23T06:27:42Z)
• Universal Transformation of One-Class Classifiers for Unsupervised Anomaly Detection [51.73001988341294]
  異常検出は通常、一級分類問題として定式化される。 本稿では,任意の1クラス分類器に基づく異常検出器を,完全に教師なしの手法に変換するデータセット折り畳み方式を提案する。
  論文  参考訳（メタデータ） (2026-02-13T16:54:12Z)
• Noise & pattern: identity-anchored Tikhonov regularization for robust structural anomaly detection [58.535473924035365]
  異常検出は自動産業検査において重要な役割を担い、他の均一な視覚パターンの微妙な欠陥や稀な欠陥を識別することを目的としている。 自己教師型オートエンコーダを用いて, 破損した入力の修復を学習する構造的異常検出に取り組む。 構造欠陥を模倣した画像に人工的破壊を注入する汚職モデルを導入する。
  論文  参考訳（メタデータ） (2025-11-10T15:48:50Z)
• Learning local and global prototypes with optimal transport for unsupervised anomaly detection and localization [0.28647133890966986]
  教師なし異常検出は、トレーニング中に正常なデータ、すなわち欠陥のない一連のデータにアクセスすることで、サンプルの欠陥部分を検出することを目的としている。 本稿では,プロトタイプ学習に基づく新しいUAD手法を提案する。
  論文  参考訳（メタデータ） (2025-08-18T13:51:36Z)
• 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)
• GeneralAD: Anomaly Detection Across Domains by Attending to Distorted Features [68.14842693208465]
  GeneralADは、意味的、ほぼ分布的、産業的設定で動作するように設計された異常検出フレームワークである。 本稿では,ノイズ付加やシャッフルなどの簡単な操作を施した自己教師付き異常生成モジュールを提案する。 提案手法を10のデータセットに対して広範囲に評価し,6つの実験結果と,残りの6つの実験結果を得た。
  論文  参考訳（メタデータ） (2024-07-17T09:27:41Z)
• 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)
• Unsupervised Anomaly Detection and Localisation with Multi-scale Interpolated Gaussian Descriptors [31.02818044068126]
  2つの問題に対処するために,教師なしの異常検出と局所化手法を提案する。 本稿では,正規画像の低表示クラスに対して頑健な正規画像分布推定手法を提案する。 また,マルチスケール構造および非構造的異常を正確に検出・局在化可能な新しい異常識別基準を提案する。
  論文  参考訳（メタデータ） (2021-01-25T12:38:51Z)

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。