論文の概要: Visual Anomaly Synthesis for Model Selection in Data Scarcity

• arxiv url: http://arxiv.org/abs/2609.37360v1
• Date: Tue, 29 Sep 2026 12:22:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.478472
• Title: Visual Anomaly Synthesis for Model Selection in Data Scarcity
• Title（参考訳）: データスカシティにおけるモデル選択のための視覚異常合成
• Abstract要約: 対象の資産に対する欠陥参照を伴わずに、実際の非欠陥画像上で重度劣化した欠陥を合成するフレームワークを提案する。 共通の障害モードに対する欠陥分類は、文献から様々な欠陥重症度で規範的なプロンプトに蒸留される。 MVTecADの実験では、テストデータへのアクセスで選択された最良の固定モデルと比較して、モデル選択に対するAUROC選択の後悔がほぼ半減することを示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Defect detection systems for industrial condition monitoring can only be relied upon if they are validated, yet defective samples are rare and, for a specific asset, often nonexistent. We present a framework that synthesizes severity-graded defects on real non-defective images without any defect references for the target asset, that can be used for model selection and validation. A defect taxonomy for common failure modes is distilled from literature into prescriptive prompts at varying defect severities. Regions of interest are cropped from in defect-free images and edited with a pre-trained image generation model ("FLUX.2 [klein]"). Color-matching and blending are employed to improve structural coherence with the original image. Generations are filtered out by a scorer and by estimated detection difficulty. Model selection experiments on MVTecAD show image AUROC choice regret over model selection can be nearly halved compared to the best fixed model chosen with access to test data. Experiments show the need for severity-graded anomaly synthesis. A case study investigates the proposed method for in-situ monitoring of Pelton turbine runners in hydropower, where real defect images are rare and expensive to collect. A PatchCorebased anomaly detection model is fit on Pelton turbine images and selected and validated using synthetic images, showing strong detection performance (94 % correct detection at optimal threshold and AUROC 0.97). The model reliably detects moderate and advanced defects, while early-stage defects remain challenging, indicating the synthetic data meaningfully stresses detector sensitivity.
• Abstract（参考訳）: 産業状況監視のための欠陥検出システムは、検証された場合にのみ利用できるが、欠陥サンプルは稀であり、特定の資産に対しては、しばしば存在しない。 本稿では, 対象資産に対する欠陥参照を伴わずに, 実際の非欠陥画像上の重度劣化欠陥を合成し, モデル選択と検証に利用できるフレームワークを提案する。 共通の障害モードに対する欠陥分類は、文献から様々な欠陥重症度で規範的なプロンプトに蒸留される。 興味のある領域は欠陥のない画像から抽出され、事前訓練された画像生成モデルで編集される(FLUX.2 [klein])。 カラーマッチングとブレンディングは、元の画像と構造的コヒーレンスを改善するために用いられる。 生成はスコアラによってフィルタリングされ、推定検出困難によりフィルタリングされる。 MVTecADのモデル選択実験では、テストデータへのアクセスで選択された最良の固定モデルと比較して、モデル選択に対するAUROC選択の後悔をほぼ半分にすることができる。 実験では、重度グレードの異常合成の必要性が示されている。 実欠陥画像の収集が稀で高価である水力発電用ペトンタービンランナーのその場監視手法を提案する。 PatchCoreベースの異常検出モデルは、ペルトンタービン画像に適合し、合成画像を用いて選択、検証され、強い検出性能を示す(94 %の最適しきい値とAUROC 0.97)。 モデルが適度かつ高度な欠陥を確実に検出する一方で、初期段階の欠陥は依然として困難なままであり、合成データが検出感度を有意義に強調することを示している。

関連論文リスト

• GRASP-PsONet: Gradient-based Removal of Spurious Patterns for PsOriasis Severity Classification [0.0]
  本稿では,突発的な相関を導入し,問題のあるトレーニングイメージを自動的にフラグするフレームワークを提案する。 フラグ付き画像の8.2%は、保持されたテストセットでモデルAUC-ROCを5%(85%から90%)改善する。 2人の皮膚科医によって評価された訓練データのサブセットに適用した場合、この方法は、レイター間不一致の90%以上を識別する。
  論文  参考訳（メタデータ） (2025-06-27T03:42:09Z)
• DefectFill: Realistic Defect Generation with Inpainting Diffusion Model for Visual Inspection [32.80355689164011]
  DefectFillは、いくつかの参照欠陥画像のみを必要とする、現実的な欠陥生成のための新しい方法である。 詳細でローカライズされた欠陥機能の正確なキャプチャと、欠陥のないオブジェクトへのシームレスな統合を可能にする。
  論文  参考訳（メタデータ） (2025-03-18T07:42:11Z)
• DiffDoctor: Diagnosing Image Diffusion Models Before Treating [57.82359018425674]
  DiffDoctorは2段階のパイプラインで、画像拡散モデルがより少ないアーティファクトを生成するのを支援する。 我々は100万以上の欠陥のある合成画像のデータセットを収集し、効率的なHuman-in-the-loopアノテーションプロセスを構築した。 次に、学習したアーティファクト検出器が第2段階に関与し、ピクセルレベルのフィードバックを提供することで拡散モデルを最適化する。
  論文  参考訳（メタデータ） (2025-01-21T18:56:41Z)
• DefFiller: Mask-Conditioned Diffusion for Salient Steel Surface Defect Generation [1.2362191015139727]
  DefFillerは、レイアウト・ツー・イメージ拡散モデルを利用するマスク条件の欠陥生成手法である。 得られたマスク条件に正確に適合する高品質な欠陥画像がDefFillerによって生成されることを示す。
  論文  参考訳（メタデータ） (2024-12-20T05:08:42Z)
• Epistemic Uncertainty for Generated Image Detection [107.62647907393377]
  本稿では,創成モデルの時代において重要なセキュリティ問題に対処することを目的とした,てんかん不確実性によるAI生成画像検出のための新しいフレームワークを提案する。 我々の重要な洞察は、トレーニングとテストデータの分布の相違が、機械学習モデルのエピステマティック不確実性空間に顕著に現れていることに起因している。
  論文  参考訳（メタデータ） (2024-12-08T11:32:25Z)
• Understanding and Improving Training-Free AI-Generated Image Detections with Vision Foundation Models [68.90917438865078]
  顔合成と編集のためのディープフェイク技術は、生成モデルに重大なリスクをもたらす。 本稿では,モデルバックボーン,タイプ,データセット間で検出性能がどう変化するかを検討する。 本稿では、顔画像のパフォーマンスを向上させるContrastive Blurと、ノイズタイプのバイアスに対処し、ドメイン間のパフォーマンスのバランスをとるMINDERを紹介する。
  論文  参考訳（メタデータ） (2024-11-28T13:04:45Z)
• Model Selection of Anomaly Detectors in the Absence of Labeled Validation Data [18.233908098602114]
  本稿では,画像に基づく異常検出をラベル付き検証データなしで選択するフレームワークSWSAを提案する。 ラベル付き検証データを集める代わりに、トレーニングや微調整なしに合成異常を生成する。 我々の合成異常は、モデル選択のための検証フレームワークを構成する検出タスクを作成するために使用される。
  論文  参考訳（メタデータ） (2023-10-16T14:42:22Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Salvage Reusable Samples from Noisy Data for Robust Learning [70.48919625304]
  本稿では,Web画像を用いた深部FGモデルのトレーニングにおいて,ラベルノイズに対処するための再利用可能なサンプル選択と修正手法を提案する。 私たちのキーとなるアイデアは、再利用可能なサンプルの追加と修正を行い、それらをクリーンな例とともに活用してネットワークを更新することです。
  論文  参考訳（メタデータ） (2020-08-06T02:07:21Z)

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。