論文の概要: Contrastive Knowledge Distillation for Anomaly Detection in Multi-Illumination/Focus Display Images
- arxiv url: http://arxiv.org/abs/2609.05520v1
- Date: Tue, 01 Sep 2026 05:37:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.083443
- Title: Contrastive Knowledge Distillation for Anomaly Detection in Multi-Illumination/Focus Display Images
- Title（参考訳）: マルチイルミネーション/フォーカス表示画像における異常検出のための対照的な知識蒸留
- Abstract要約: 我々は,マルチイルミネーションおよびマルチフォーカス表示画像における自動異常検出に取り組む。
本稿では,知識蒸留に基づく異常検出のための新しいコントラスト学習手法を提案する。
提案手法は,AUROCと精度の両指標において,競合する最先端の手法よりも優れていた。
- 参考スコア（独自算出の注目度）: 22.28698591377191
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we tackle automatic anomaly detection in multi-illumination and multi-focus display images. The minute defects on the display surface are hard to spot out in RGB images and by a model trained with only normal data. To address this, we propose a novel contrastive learning scheme for knowledge distillation-based anomaly detection. In our framework, Multiresolution Knowledge Distillation (MKD) is adopted as a baseline, which operates by measuring feature similarities between the teacher and student networks. Based on MKD, we propose a novel contrastive learning method, namely Multiresolution Contrastive Distillation (MCD), which does not require positive/negative pairs with an anchor but operates by pulling/pushing the distance between the teacher and student features. Furthermore, we propose the blending module that transforms and aggregate multi-channel information to the three-channel input layer of MCD. Our proposed method significantly outperforms competitive state-of-the-art methods in both AUROC and accuracy metrics on the collected Multi-illumination and Multi-focus display image dataset for Anomaly Detection (MMdAD).
- Abstract（参考訳）: 本稿では,マルチ照度およびマルチフォーカス表示画像における自動異常検出に取り組む。
ディスプレイ表面の微細な欠陥は、RGB画像や通常のデータのみをトレーニングしたモデルで見出すのが難しい。
そこで本研究では,知識蒸留に基づく異常検出のための新しいコントラスト学習手法を提案する。
本フレームワークでは,教師と学生のネットワークの特徴的類似度を測定することで,MKD(Multi resolution Knowledge Distillation)をベースラインとして採用する。
MKDに基づいて,教師と生徒の特徴との距離を引いて操作する,新しいコントラスト学習手法であるマルチレゾリューションコントラスト蒸留(MCD)を提案する。
さらに,MCDの3チャンネル入力層に多チャンネル情報を変換・集約するブレンディングモジュールを提案する。
提案手法は,AUROCと精度の両面で,収集したマルチイルミネーションと,異常検出のためのマルチフォーカス表示画像データセットにおいて,競合する最先端の手法を著しく上回っている。
関連論文リスト
- MCL-AD: Multimodal Collaboration Learning for Zero-Shot 3D Anomaly Detection [13.216282242922993]
本稿では,ポイントクラウド,RGBイメージ,テキストセマンティクス間のマルチモーダルな協調学習を活用して,より優れたゼロショット3D異常検出を実現する新しいフレームワークであるMCL-ADを紹介する。
さらに、RGB画像誘導と点雲誘導の分岐を協調的に調整することにより、点雲とRGB画像の相補的表現を完全に活用するコラボレーティブ変調機構(CMM)を提案する。
論文 参考訳（メタデータ） (2025-09-12T14:21:54Z) - Is Contrastive Distillation Enough for Learning Comprehensive 3D Representations? [55.99654128127689]
クロスモーダル・コントラスト蒸留は近年,有効3次元表現の学習のために研究されている。
既存の手法は主にモーダリティ共有の特徴に焦点を合わせ、事前学習過程におけるモーダリティ固有の特徴を無視している。
本稿では,これらの欠点に対処する新しいフレームワークCMCRを提案する。
論文 参考訳（メタデータ） (2024-12-12T06:09:49Z) - A Global Depth-Range-Free Multi-View Stereo Transformer Network with Pose Embedding [76.44979557843367]
本稿では,事前の深度範囲を排除した新しい多視点ステレオ(MVS)フレームワークを提案する。
長距離コンテキスト情報を集約するMDA(Multi-view Disparity Attention)モジュールを導入する。
ソース画像のエピポーラ線上のサンプリング点に対応する電流画素の品質を明示的に推定する。
論文 参考訳（メタデータ） (2024-11-04T08:50:16Z) - Attention Fusion Reverse Distillation for Multi-Lighting Image Anomaly Detection [4.677326790094539]
本研究は,MLIADにおける複数入力を処理するための注意融合逆蒸留法を提案する。
Eyecandiesの実験は、AFRDが他のMLIAD代替品よりも優れたMLIAD性能を達成することを示した。
論文 参考訳（メタデータ） (2024-06-07T01:26:37Z) - M3DM-NR: RGB-3D Noisy-Resistant Industrial Anomaly Detection via Multimodal Denoising [63.39134873744748]
既存の産業異常検出手法は主に、原始RGB画像を用いた教師なし学習に重点を置いている。
本稿では,CLIPの強力なマルチモーダル識別機能を利用する新しい耐雑音性M3DM-NRフレームワークを提案する。
M3DM-NRは3D-RGBマルチモーダルノイズ異常検出において最先端の手法より優れていた。
論文 参考訳（メタデータ） (2024-06-04T12:33:02Z) - Multimodal Industrial Anomaly Detection by Crossmodal Feature Mapping [12.442574943138794]
本稿では、点雲とRGB画像を利用して異常をローカライズする産業用マルチモーダル異常検出(AD)タスクについて検討する。
我々は,新しい軽量かつ高速なフレームワークを導入し,特徴を1つのモダリティからもう1つのモダリティへのマップを,名目標本上で学習する。
論文 参考訳（メタデータ） (2023-12-07T18:41:21Z) - Multimodal Transformer Using Cross-Channel attention for Object Detection in Remote Sensing Images [1.662438436885552]
マルチモーダル融合は、複数のモーダルからのデータを融合することで精度を高めることが決定されている。
早期に異なるチャネル間の関係をマッピングするための新しいマルチモーダル融合戦略を提案する。
本手法は,中期・後期の手法とは対照的に,早期の融合に対処することにより,既存の手法と比較して,競争力や性能に優れる。
論文 参考訳（メタデータ） (2023-10-21T00:56:11Z) - Multimodal Industrial Anomaly Detection via Hybrid Fusion [59.16333340582885]
ハイブリッド核融合方式を用いた新しいマルチモーダル異常検出法を提案する。
本モデルでは,MVTecD-3 ADデータセットにおける検出精度とセグメンテーション精度の両面で,最先端(SOTA)手法より優れている。
論文 参考訳（メタデータ） (2023-03-01T15:48:27Z) - Multi-Scale Aligned Distillation for Low-Resolution Detection [68.96325141432078]
本稿では,高分解能モデルや多分解能モデルから知識を抽出することで,低分解能モデルの性能を向上させることに焦点を当てる。
いくつかのインスタンスレベルの検出タスクとデータセットにおいて,本手法を用いて訓練された低解像度モデルと,従来のマルチスケールトレーニングによる訓練された高解像度モデルとを競合的に処理する。
論文 参考訳（メタデータ） (2021-09-14T12:53:35Z) - M2TR: Multi-modal Multi-scale Transformers for Deepfake Detection [74.19291916812921]
Deepfake技術によって生成された鍛造画像は、デジタル情報の信頼性に深刻な脅威をもたらします。
本稿では,Deepfake検出のための微妙な操作アーチファクトを異なるスケールで捉えることを目的とする。
最先端の顔スワッピングと顔の再現方法によって生成された4000のDeepFakeビデオで構成される高品質のDeepFakeデータセットSR-DFを紹介します。
論文 参考訳（メタデータ） (2021-04-20T05:43:44Z)
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。