論文の概要: VD-DeepStack: Bridging Visual Comparison and Language Reasoning for Few-Shot Anomaly Detection

• arxiv url: http://arxiv.org/abs/2609.34949v1
• Date: Mon, 28 Sep 2026 11:40:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:30:26.822233
• Title: VD-DeepStack: Bridging Visual Comparison and Language Reasoning for Few-Shot Anomaly Detection
• Title（参考訳）: VD-DeepStack: わずかなショット異常検出のための視覚比較と言語推論
• Abstract要約: 少数ショットの視覚異常検出では、通常の参照に対するクエリのきめ細かい検査が必要となる。 Visual difference DeepStack (VD-DeepStack) は、クエリ参照の視覚的差異に基づいて言語推論を明示的に規定する。 4つの産業用および2つの医療用異常ベンチマークの実験は、基準線に対する数発の異常検出において大幅に改善された。
• 参考スコア（独自算出の注目度）: 58.68055399195302
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Few-shot visual anomaly detection is fundamentally a visual comparison task, requiring fine-grained inspection of a query against normal references. Many recent methods based on large vision-language models (LVLMs) emphasize comparative reasoning through language chain-of-thought. Yet discrete, abstract descriptions may underrepresent dense, fine-grained visual differences, leaving a gap between visual comparison and its expression in language. To address this gap, we propose Visual Difference DeepStack (VD-DeepStack), which explicitly conditions language reasoning on query-reference visual differences. Specifically, we fuse DINO features with the LVLM visual hierarchy to strengthen fine-grained representations, then construct dense difference evidence from residuals between query features and softly matched reference features. The difference-evidence path injects spatially weighted difference vectors into query-image states at multiple decoder depths, while an auxiliary visual-context path provides fine-grained appearance information to support their interpretation. Experiments on 4 industrial and 2 medical anomaly benchmarks demonstrate substantial improvements in few-shot anomaly detection over baselines relying on textual comparative reasoning. These results support mitigating the visual comparison-reasoning gap through the joint design of comparison representations and their integration into the decoder. Code will be released upon acceptance.
• Abstract（参考訳）: 視覚的異常検出は基本的に視覚的比較作業であり、通常の参照に対するクエリのきめ細かい検査を必要とする。 大規模視覚言語モデル(LVLM)に基づく近年の多くの手法は、言語連鎖による比較推論を強調する。 しかし、離散的な抽象的な記述は、密集した、きめ細かな視覚的差異を過小評価し、視覚的比較と言語におけるその表現の差を残している。 このギャップに対処するため,クエリと参照の視覚的差異に対して言語推論を明示的に規定したVisual difference DeepStack (VD-DeepStack)を提案する。 具体的には、DINO特徴をLVLM視覚階層と融合させ、細粒度表現を強化し、クエリ特徴とソフトマッチした参照特徴の残差から密度の高い差分エビデンスを構築する。 差分エビデンスパスは、空間重み付けされた差分ベクトルを複数のデコーダ深さでクエリイメージ状態に注入し、補助的な視覚コンテキストパスは、その解釈をサポートするためのきめ細かい外観情報を提供する。 4つの産業的および2つの医学的異常ベンチマークの実験は、テキスト比較推論に依存するベースラインに対する数ショットの異常検出において、大幅に改善された。 これらの結果は,比較表現の結合設計とデコーダへの統合による視覚的比較推論ギャップの緩和を支援する。 コードは受理時にリリースされる。

関連論文リスト

• The Many Senses of Visual Similarity: A Text-Prompted Image Perceptual Metric [78.74729751232852]
  画像三重項に対する人間の類似性判定の大規模データセットを提案する。 視覚言語モデルを微調整して,テキストプロンプト画像の知覚的類似度測定値を生成する。 TPIPSは人間の知覚とより密接に一致し、トレーニング分布を超えて確実に一般化する。
  論文  参考訳（メタデータ） (2026-07-20T17:59:51Z)
• Stateful Visual Encoders for Vision-Language Models [85.81539882553659]
  視覚言語モデル(VLM)は、意思決定が視覚的変化に依存するマルチイメージ、マルチターンエージェント設定において、ますます使われている。 既存のオープンウェイトなVLMでは、ビジュアル比較は言語モデル内でのみ行われ、ビジュアルエンコーダ自体はステートレスのままである。 我々は、先行する視覚的特徴に対して各視覚的表現を条件付けるステートフルビジュアルを導入する。
  論文  参考訳（メタデータ） (2026-06-03T04:31:15Z)
• A Hitchhikers Guide to Fine-Grained Face Forgery Detection Using Common Sense Reasoning [9.786907179872815]
  視覚と言語の可能性は、いまだに偽造検出に過小評価されている。 顔偽造検出を視覚質問応答(VQA)タスクに変換する方法論が必要である。 このギャップに対処するために,従来の二項決定パラダイムから分岐する多段階的アプローチを提案する。
  論文  参考訳（メタデータ） (2024-10-01T08:16:40Z)
• Visually Descriptive Language Model for Vector Graphics Reasoning [76.42082386029206]
  低レベル視覚知覚と高レベル言語推論のギャップを埋めるための視覚記述型言語モデル(VDLM)を提案する。 VDLMは,様々なマルチモーダル認識および推論タスクにおいて,GPT-4oのような最先端のLMMを大幅に改善することを示す。
  論文  参考訳（メタデータ） (2024-04-09T17:30:18Z)
• Zero-shot Visual Relation Detection via Composite Visual Cues from Large Language Models [44.60439935450292]
  本稿では,ゼロショット視覚認識のための新しい手法であるRECODEを提案する。 各述語カテゴリを主題、対象、空間構成要素に分解する。 異なる視覚的手がかりは、異なる視点から類似した関係カテゴリの識別可能性を高める。
  論文  参考訳（メタデータ） (2023-05-21T14:40:48Z)
• Good Visual Guidance Makes A Better Extractor: Hierarchical Visual Prefix for Multimodal Entity and Relation Extraction [88.6585431949086]
  本稿では,視覚的な実体と関係抽出のための階層型ビジュアルプレフィックス融合NeTwork(HVPNeT)を提案する。 視覚的表現をプラグ可能な視覚的接頭辞とみなして, 誤りに敏感な予測決定のためのテキスト的表現を導出する。 3つのベンチマークデータセットの実験により,本手法の有効性が実証され,最先端の性能が得られた。
  論文  参考訳（メタデータ） (2022-05-07T02:10:55Z)

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。