論文の概要: Towards Generalizable 3D Anomaly Detection via Relational Inconsistency Modeling
- arxiv url: http://arxiv.org/abs/2609.35059v1
- Date: Mon, 28 Sep 2026 12:52:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-02 17:23:02.823356
- Title: Towards Generalizable 3D Anomaly Detection via Relational Inconsistency Modeling
- Title（参考訳）: 関係不整合モデリングによる一般化可能な3次元異常検出に向けて
- Abstract要約: 3D異常検出は、ポイントクラウドデータの欠陥領域を特定することを目的としている。
本稿では,欠陥を幾何学的整合性の違反として特徴付ける関係不整合モデリングフレームワークを提案する。
提案手法は,関係性違反を抑えるために設計された擬似異常により,カテゴリに依存しない欠陥を学習する。
- 参考スコア（独自算出の注目度）: 3.405768252883924
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: 3D anomaly detection (3DAD) aims to identify defective regions in point cloud data, serving as a critical component in industrial inspection systems. Existing methods are normality-centered -- learning the distribution of normal samples and treating deviations as anomalies -- without explicitly modeling what constitutes a defect. This leads to ambiguous decision boundaries with increased false positives and negatives, particularly in unified and cross-domain settings where diverse normal distributions further blur the boundaries. We propose a relational inconsistency modeling framework that characterizes defects as violations of geometric consistency among neighboring structures. Our approach learns category-agnostic defect cues through pseudo-anomalies designed as controlled relational violations, instantiated by two key modules: Edge-aware Graph Refinement (EGR) for encoding geometric relationships among local regions, and Cluster-Deviation Modeling (CDM) for identifying regions that are relationally incompatible within their structural peer group. Extensive experiments on Anomaly-ShapeNet and Real3D-AD demonstrate consistent improvements over prior state-of-the-art methods in both in-domain and cross-domain settings, validating the effectiveness of learning an explicit, relation-based defect criterion for 3D anomaly detection. Project page: https://visualsciencelab-khu.github.io/GRIM_project/.
- Abstract（参考訳）: 3D異常検出(3DAD)は、点雲データの欠陥領域を識別することを目的としており、産業検査システムにおいて重要な要素となっている。
既存のメソッドは、欠陥を構成するものを明示的にモデル化することなく、通常のサンプルの分布を学び、逸脱を異常として扱います。
これは、特に様々な正規分布が境界をさらに曖昧にする統一的およびクロスドメインな設定において、偽陽性と負の増大を伴う曖昧な決定境界につながる。
本稿では,隣接する構造物間の幾何的整合性の違反として欠陥を特徴付ける関係不整合モデリングフレームワークを提案する。
提案手法は,局所領域間の幾何学的関係を符号化するエッジ・アウェア・グラフ・リファインメント (EGR) と,それらの構造的ピアグループ内で関係的に不整合な領域を特定するクラスタ・デバイテーション・モデリング (CDM) の2つの主要なモジュールによってインスタンス化され,制御されたリレーショナル違反として設計された擬似アノマリーを用いて,カテゴリに依存しない欠陥キューを学習する。
Anomaly-ShapeNetとReal3D-ADの大規模な実験は、ドメイン内およびクロスドメイン設定の両方において、最先端の手法よりも一貫した改善を示し、3D異常検出のための明示的な関係ベースの欠陥基準の学習の有効性を検証する。
プロジェクトページ:https://visualsciencelab-khu.github.io/GRIM_project/。
関連論文リスト
- XMatchAD: A Cross-Modal Matching Perspective on Reconstruction-based Anomaly Detection [30.401044523780723]
XMatchADは、疑似クロスモーダルマッチングの観点からタスクを再解釈する新しいUADフレームワークである。
提案手法は,マルチクラスの異常検出と局所化において,優れた性能,最先端の手法よりも優れた性能を実現している。
論文 参考訳（メタデータ） (2026-07-26T13:47:10Z) - M2P-AD: Memory-to-Prototype Learning with Boundary-aware Score Refinement for 3D Anomaly Detection [10.86998594699358]
3次元異常検出はコンピュータビジョンにおける重要な研究トピックとして浮上している。
メモリ・ツー・プロトタイプ異常検出モデル(M2P-AD)を提案する。
M2P-ADは、通常の領域における過剰な異常スコアと対象の境界付近の偽陽性を抑えながら、通常の特徴の分布を効果的にモデル化する。
論文 参考訳（メタデータ） (2026-07-15T06:53:31Z) - Learning Topology-Aware Representations via Test-Time Adaptation for Anomaly Segmentation [12.965117238061096]
TopoTTAは、トポロジ的データ分析のツールである永続的ホモロジーをテスト時間パイプラインに統合する、新しいフレームワークである。
軽量なテストタイム分類器を導く頑健なトポロジカルな擬似ラベルを導出し、バックボーンモデルを再訓練することなくセグメンテーション品質を向上させる。
大規模な実験では、最先端の教師なし異常検出およびセグメント化手法よりも平均15%のF1改善が示されている。
論文 参考訳（メタデータ） (2026-06-26T17:04:42Z) - 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) - 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) - Text-Guided Multimodal Unified Industrial Anomaly Detection [71.95719669933312]
そこで本研究では,テキストセマンティクスによって導かれる多モーダル産業異常検出フレームワークを提案する。
フレームワークは、Geometry-Aware Cross-Modal MapperとObject-Conditioned Textual Feature Adaptorの2つのコアモジュールで構成されている。
本手法は,教師なし環境下での分類とローカライゼーションにおける最先端性能を実現する。
論文 参考訳（メタデータ） (2026-04-24T13:21:22Z) - A Semantically Disentangled Unified Model for Multi-category 3D Anomaly Detection [3.991584682799934]
3D異常検出は、通常のデータのみに基づいて訓練された3D点雲における欠陥の検出と局所化を目標とする。
本稿では,3次元異常検出のためのセマンティック・アンタングル統一モデルを提案する。
本手法は, 統一モデルとカテゴリ固有モデルの両方の最先端性を達成し, オブジェクトレベルのAUROCをそれぞれ2.8%, 9.1%改善する。
論文 参考訳（メタデータ） (2026-03-26T08:26:46Z) - OoDDINO:A Multi-level Framework for Anomaly Segmentation on Complex Road Scenes [3.0743391441996684]
異常セグメンテーションは、画像内の異常なオブジェクトを識別することを目的としている。
既存のピクセルワイズ手法は、通常、個々の異常スコアを割り当て、グローバルなしきい値戦略を用いて異常を分割する。
OoDDINOは,これらの制約に対処するために設計された,新しいマルチレベル・アノマライ・セグメンテーション・フレームワークである。
論文 参考訳（メタデータ） (2025-07-02T08:15:11Z) - Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。
本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
論文 参考訳（メタデータ） (2024-01-06T07:30:41Z) - Relation Matters: Foreground-aware Graph-based Relational Reasoning for
Domain Adaptive Object Detection [81.07378219410182]
我々は、FGRR(Fearground-aware Graph-based Reasoning)というドメインDのための新しい汎用フレームワークを提案する。
FGRRはグラフ構造を検出パイプラインに組み込んで、ドメイン内およびドメイン間フォアグラウンドオブジェクト関係を明示的にモデル化する。
実験の結果、提案したFGRRは4つのDomainDベンチマークの最先端よりも優れていることが示された。
論文 参考訳（メタデータ） (2022-06-06T05:12:48Z)
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。