論文の概要: Variational Template Matching with Statistical Fusion for Anomaly Detection in Patterned Structures

• arxiv url: http://arxiv.org/abs/2609.13298v1
• Date: Thu, 10 Sep 2026 00:48:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.194394
• Title: Variational Template Matching with Statistical Fusion for Anomaly Detection in Patterned Structures
• Title（参考訳）: パターン構造における異常検出のための統計的融合と変分テンプレートマッチング
• Abstract要約: 構造化画像における異常検出は、ディープラーニングアプローチがコストがかかるか実用的でない小さなデータ設定では困難である。 本稿では,異常テンプレートを変換されたインスタンス群として表現する変動テンプレートマッチングフレームワークを提案する。 また,局所強度分布から得られる密度に基づく統計異常スコアも導入する。
• 参考スコア（独自算出の注目度）: 5.22657564684602
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Anomaly detection in structured images is challenging in small-data settings where deep learning approaches are costly or impractical. Classical template matching is simple and interpretable but lacks robustness to geometric variations such as scale, rotation, and perspective. We propose a variational template matching framework that represents anomaly templates as a family of transformed instances and performs detection via normalized cross-correlation over this transformation space. To further improve robustness, we introduce a density-based statistical anomaly score derived from local intensity distributions using kernel density estimation (KDE). This produces a smooth representation that captures distributional concentration and tail behavior more robustly than histogram-based methods. The structural and statistical signals are integrated through a unified fusion formulation, enabling complementary modeling of geometric similarity and distributional deviation. Experiments on biological cell images demonstrate that the proposed method outperforms classical baselines and achieves competitive performance with ResNet-50 under a fully training-free setting, while providing explicit localization. The approach offers an efficient, interpretable, and practical solution for anomaly detection in structured image domains.
• Abstract（参考訳）: 構造化画像における異常検出は、ディープラーニングアプローチがコストがかかるか実用的でない小さなデータ設定では困難である。 古典的なテンプレートマッチングは単純で解釈可能であるが、スケール、回転、パースペクティブといった幾何学的なバリエーションには堅牢性がない。 本稿では、異常テンプレートを変換されたインスタンス群として表現し、この変換空間上の正規化相互相関による検出を行う変分テンプレートマッチングフレームワークを提案する。 さらにロバスト性を改善するために,カーネル密度推定(KDE)を用いた局所強度分布から得られた密度ベース統計異常スコアを導入する。 これによりスムーズな表現が得られ、ヒストグラムに基づく手法よりも分布濃度と尾の挙動を強く捉えている。 構造信号と統計信号は統合された融合定式化によって統合され、幾何学的類似性と分布の偏差の相補的モデリングを可能にする。 生体細胞画像の実験により,提案手法は古典的ベースラインより優れ,ResNet-50と完全にトレーニング不要な環境下での競合性能を実現し,明示的なローカライゼーションを提供することを示した。 このアプローチは、構造化画像領域における異常検出のための効率的で解釈可能で実用的なソリューションを提供する。

関連論文リスト

• Rethinking Structural Anomaly Detection: From Decision Boundaries to Projection Operators [51.771100367755544]
  本稿では,既存手法の帰納バイアスとデータ構造とのミスマッチに対処する幾何学的視点を提案する。 具体的には、正規サンプルの多様体上の射影作用素を学習し、この射影によって変更される場合、サンプルを異常として定義する。 特に、プロジェクション品質の観点から、その成功と失敗を説明することによって、再構築に基づく手法の統一的な解釈を提供する。
  論文  参考訳（メタデータ） (2026-06-13T12:37:20Z)
• Geometry-Aware Dataset Condensation for Diffusion Model Training [103.45641113998839]
  幾何学的分布アライメント問題として,実部分集合選択を再構成することを提案する。 本手法は,一方的な部分的最適輸送を組み込むことで,コンパクトな部分集合を全データ分布に選択的に整列させる。 拡散変形, 部分集合サイズ, 画像解像度, 訓練ラウンドにおける実験により, 本手法が優れた忠実度と分布範囲を実現することを示す。
  論文  参考訳（メタデータ） (2026-06-04T08:53:58Z)
• Hierarchical Consistency Learning for Test-time Adaptation in Camouflage Perception [50.278200968044665]
  カモフラージュされた物体検出(COD)は、物理的属性を通して背景から最小限の知覚差を示すターゲットをローカライズすることを目的としている。 既存のメソッドは、静的なTrain-then-freezeパラダイムによって制約されており、ドメインの剛性と依存性のアノテーションに悩まされている。 動的表現再構成のためのテスト時間適応を統合した階層的一貫性学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-25T09:57:46Z)
• GeodesicNVS: Probability Density Geodesic Flow Matching for Novel View Synthesis [54.39598154430305]
  本稿では,ペアビュー間の決定論的変換を直接学習するデータ間フローマッチングフレームワークを提案する。 PDG-FMは、事前訓練された拡散モデルの確率密度測定値から導かれる測地的補間剤を用いて流れの軌跡を制約する。 これらの結果は、一貫した新しいビュー生成のための決定論的フローマッチングにデータ依存の幾何正規化を組み込むことの利点を強調している。
  論文  参考訳（メタデータ） (2026-03-01T09:30:11Z)
• Scale-Consistent State-Space Dynamics via Fractal of Stationary Transformations [9.983526161001997]
  最近のディープラーニングモデルは、中間表現の妥当性に関する構造的な保証なしに、ますます深度に依存している。 我々は、状態空間モデルのスケール一貫性潜在力学の構造的要件を定式化することにより、この制限に対処する。 我々は予測されたスケール一貫性の挙動を実証的に検証し、適応効率がアライメントされた潜在幾何学から現れることを示す。
  論文  参考訳（メタデータ） (2026-01-27T12:44:20Z)
• Multimodal Diffeomorphic Registration with Neural ODEs and Structural Descriptors [0.0]
  ニューラル正規微分方程式を用いた多モード微分型登録法(ニューラルモード) 非剛性登録アルゴリズムは、その精度、変形モデルの計算複雑性、および適切な正規化の間のトレードオフを示す。 本稿では,トレーニングにおいて高いスキャン要求を満たさず,トレーニング中に見つからないモダリティの推測時に劣化することのない,インスタンス固有のフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-27T19:38:37Z)
• Robust Variational Model Based Tailored UNet: Leveraging Edge Detector and Mean Curvature for Improved Image Segmentation [7.638424494500011]
  本稿では,変分モデルに基づくUNet(VM_TUNet)の頑健なバージョンを提案する。 VM_TUNetは、変分メソッドとディープラーニングを統合するハイブリッドフレームワークである。 3つのベンチマークデータセットを用いた実験により,提案手法は性能と計算効率のバランスの取れたトレードオフを実現することが示された。
  論文  参考訳（メタデータ） (2025-12-08T14:33:52Z)
• CLIP Meets Diffusion: A Synergistic Approach to Anomaly Detection [49.11819337853632]
  異常検出は、異常の定義の曖昧さ、異常型の多様性、トレーニングデータの不足による複雑な問題である。 識別的基盤モデルと生成的基礎モデルの両方を活用するCLIPfusionを提案する。 本手法は, 異常検出の多面的課題に対処する上で, マルチモーダル・マルチモデル融合の有効性を裏付けるものである。
  論文  参考訳（メタデータ） (2025-06-13T13:30:15Z)
• PNI : Industrial Anomaly Detection using Position and Neighborhood Information [6.316693022958221]
  本研究では,条件付き近傍特徴量を用いて正規分布を推定する新しいアルゴリズム textbfPNI を提案する。 我々はMVTec ADベンチマークデータセットの実験を行い、異常検出と局所化におけるtextbf99.56%と textbf98.98%のAUROCスコアを用いて最先端のパフォーマンスを達成した。
  論文  参考訳（メタデータ） (2022-11-22T23:45:27Z)
• A Model for Multi-View Residual Covariances based on Perspective Deformation [88.21738020902411]
  マルチビューSfM, オードメトリ, SLAMセットアップにおける視覚的残差の共分散モデルの導出を行う。 我々は、合成データと実データを用いてモデルを検証し、それを光度および特徴量に基づくバンドル調整に統合する。
  論文  参考訳（メタデータ） (2022-02-01T21:21:56Z)
• Out-of-distribution Generalization via Partial Feature Decorrelation [72.96261704851683]
  本稿では,特徴分解ネットワークと対象画像分類モデルとを協調的に最適化する,PFDL(Partial Feature Deorrelation Learning)アルゴリズムを提案する。 実世界のデータセットを用いた実験により,OOD画像分類データセットにおけるバックボーンモデルの精度が向上することを示した。
  論文  参考訳（メタデータ） (2020-07-30T05:48:48Z)

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。