論文の概要: FLASH: A "Generate Once, Synthesize Many" Framework for Synthetic Anomaly Generation in Industrial Anomaly Detection

• arxiv url: http://arxiv.org/abs/2609.37314v1
• Date: Tue, 29 Sep 2026 11:50:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.451307
• Title: FLASH: A "Generate Once, Synthesize Many" Framework for Synthetic Anomaly Generation in Industrial Anomaly Detection
• Title（参考訳）: FLASH: 産業異常検出における合成異常生成のための「生成1回, 合成多量化」フレームワーク
• Abstract要約: 合成異常生成は、実際の欠陥が不足したり、利用できない場合に、産業異常データセットを拡張するのに役立つ。 異常生成を異常合成から分離するフレームワークFLASHを提案する。 FLASHは、サンプルごとの生成アプローチよりも11.95倍早く異常を合成する。
• 参考スコア（独自算出の注目度）: 3.6790304254885786
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Synthetic anomaly generation helps expand industrial anomaly datasets when real defects are scarce or unavailable. Existing approaches lie at two extremes: procedural approaches are fast but struggle to represent complex anomalies, while generative approaches produce diverse defects but require costly per-sample generation. We present FLASH, a framework that decouples defect generation from anomaly synthesis under a ``generate once, synthesize many'' paradigm. Given only normal images, FLASH uses Vision-Language Model (VLM) guidance and an image-generation model to produce a small set of defect images, from which it extracts, validates, and banks reusable defect patches. For synthesis of anomalous images, Object Boundary Suppression (OBS) first identifies the probable foreground object-aware region of the host image, while Multi-Resolution Spectral Pyramid (MRSP) noise generates diverse, size-controllable masks that determine the defect location and spatial extent. It then composes a large and diverse synthetic anomalous image set by localizing the defect region, sampling size-controllable placement masks and seamlessly blending retrieved defects onto new defect-free images without further need for image generation. Experiments on the MVTec AD 2 dataset show that FLASH-generated anomalies nearly close the calibration gap on real defects, reaching 78.1% image-level F1 against an 83.6% real-anomaly upper bound and providing the most consistent calibration transfer across detectors among procedural and generative alternatives. Moreover, FLASH synthesizes anomalies more than 11.95x faster than per-sample generative approaches.
• Abstract（参考訳）: 合成異常生成は、実際の欠陥が不足したり、利用できない場合に、産業異常データセットを拡張するのに役立つ。 手続き的アプローチは速いが複雑な異常を表現するのに苦労する一方、生成的アプローチは多様な欠陥を生み出すが、サンプル単位でのコストがかかる。 本稿では, 異常生成を異常合成から分離するフレームワークであるFLASHについて述べる。 通常の画像のみを前提として、FLASHはビジョンランゲージモデル(VLM)ガイダンスと画像生成モデルを使用して、小さな欠陥画像を生成し、再利用可能な欠陥パッチを抽出し、検証し、銀行化する。 異常画像の合成のために、オブジェクト境界抑圧(OBS)はまずホスト画像の予測可能な前景オブジェクト認識領域を特定し、MRSP(Multi-Resolution Spectral Pyramid)ノイズは、欠陥位置と空間範囲を決定する多様なサイズ制御可能なマスクを生成する。 そして、欠陥領域をローカライズし、サイズ制御可能な配置マスクをサンプリングし、検索した欠陥を画像生成を必要とせず、新たな欠陥のない画像にシームレスにブレンドすることにより、大規模で多様な合成異常画像を構成する。 MVTec AD 2データセットの実験では、FLASHが生成する異常は実際の欠陥の校正ギャップをほぼ近く、78.1%のイメージレベルF1に達し、83.6%の真正準上界に到達し、手続き的および生成的代替品の検出器間で最も一貫した校正転送を提供する。 さらに、FLASHはサンプルごとの生成アプローチよりも11.95倍早く異常を合成する。

関連論文リスト

• DPA: Decoupling Product-Agnostic Anomaly Representations for Zero-shot Anomaly Generation [52.52576712810738]
  産業異常検出は異常サンプルから恩恵を受けるが、新しくデプロイされた製品は通常正常な画像のみを提供するため、異常サンプルの収集は困難である。 既存の手法は主にテクスチャイメージやテキスト記述を異常ソースとして依存しており、しばしば非現実的な異常を生成する。 本稿では,既存のソース製品から実際の異常を再利用した,異常転送に基づくゼロショット生成を提案する。
  論文  参考訳（メタデータ） (2026-09-02T04:03:05Z)
• MIRAGE: Model-agnostic Industrial Realistic Anomaly Generation and Evaluation for Visual Anomaly Detection [11.313360174738465]
  MIRAGEは、リアルな異常画像生成とピクセルレベルのマスク生成のための完全に自動化されたパイプラインである。 当社のパイプラインでは,生成モデルをAPIコールを通じてブラックボックスとしてアクセスしています。 マスク生成を大規模に行うためには、軽量でトレーニング不要なデュアルブランチセマンティックチェンジ検出モジュールを導入する。
  論文  参考訳（メタデータ） (2026-03-13T18:36:44Z)
• Synthetic Image Detection via Spectral Gaps of QC-RBIM Nishimori Bethe-Hessian Operators [0.0]
  本稿では,スパース重み付きグラフ上でのコミュニティ検出問題として,合成画像識別を扱うモデル非依存検出器を提案する。 Flickr-Faces-HQ と CelebA の実際の写真と、GAN と拡散モデルにより生成された合成写真を用いて、猫対犬対男性対女性対バイナリタスクのアプローチを検証する。 我々の貢献は、深部画像の特徴を埋め込んだ新しいLDPCグラフ構築、西森温度RBIMとベーテ・ヘッセンスペクトル間の解析的リンク、新しい生成アーキテクチャに頑健な実用的で教師なしの合成画像検出器である。
  論文  参考訳（メタデータ） (2025-08-27T09:06:53Z)
• Generate Aligned Anomaly: Region-Guided Few-Shot Anomaly Image-Mask Pair Synthesis for Industrial Inspection [53.137651284042434]
  異常検査は製造業において重要な役割を担っているが、異常サンプルの不足は既存の方法の有効性を制限している。 本稿では,GAA (Generate grained Anomaly) を提案する。 GAAは少数のサンプルのみを用いて現実的で多様で意味的に整合した異常を発生させる。
  論文  参考訳（メタデータ） (2025-07-13T12:56:59Z)
• Dual-Interrelated Diffusion Model for Few-Shot Anomaly Image Generation [22.164957586513776]
  製造業における異常検査の性能は異常データの不足によって制約される。 本稿では,新しい拡散型少数ショット画像生成モデルであるDualAnoDiffを提案する。 提案手法は,異常検出,異常局所化,異常分類タスクなど,下流異常検査タスクの性能を著しく向上させる。
  論文  参考訳（メタデータ） (2024-08-24T08:09:32Z)
• AnomalyDiffusion: Few-Shot Anomaly Image Generation with Diffusion Model [59.08735812631131]
  製造業において異常検査が重要な役割を担っている。 既存の異常検査手法は、異常データが不足しているため、その性能に制限がある。 本稿では,新しい拡散型マイクロショット異常生成モデルであるAnomalyDiffusionを提案する。
  論文  参考訳（メタデータ） (2023-12-10T05:13:40Z)
• Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
  本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。 さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。 提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
  論文  参考訳（メタデータ） (2023-11-27T13:14:06Z)
• Designing a Practical Degradation Model for Deep Blind Image Super-Resolution [134.9023380383406]
  単一画像スーパーレゾリューション (sisr) 法は, 推定劣化モデルが実画像から逸脱した場合はうまく動作しない。 本稿では, ランダムにシャッフルされたブラー, ダウンサンプリング, ノイズ劣化からなる, より複雑で実用的な劣化モデルを提案する。
  論文  参考訳（メタデータ） (2021-03-25T17:40:53Z)

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。