論文の概要: Detecting Defects that Matter: An Application-Driven Benchmark for Anomaly Detection in Manufacturing and Retail Logistics (VAND 4.0 Challenge)

• arxiv url: http://arxiv.org/abs/2610.04392v1
• Date: Sat, 03 Oct 2026 09:29:22 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-06 21:46:38.227932
• Title: Detecting Defects that Matter: An Application-Driven Benchmark for Anomaly Detection in Manufacturing and Retail Logistics (VAND 4.0 Challenge)
• Title（参考訳）: 問題となる欠陥の検出:製造・小売ロジスティックスにおける異常検出のためのアプリケーション駆動ベンチマーク(VAND 4.0チャレンジ)
• Abstract要約: 工業生産と小売ロジスティクスという,2つのデプロイメントクリティカルな領域にまたがる,隠れテストによるアプリケーション駆動ベンチマークを導入する。 産業用トラック (MVTec AD2) では, 教師なしの異常セグメンテーションが依然として困難であることが判明した。 Retail Track (Kaputt 2) では、教師付き欠陥検出が一般的な欠陥タイプに対する飽和に近づいていることが明らかとなった。
• 参考スコア（独自算出の注目度）: 3.3553159830620163
• License:
• Abstract: Existing Anomaly Detection benchmarks are saturated and often unrealistic. As part of the VAND 4.0 Challenge, we introduce a hidden-test, application-driven benchmark across two deployment-critical domains: industrial manufacturing and retail logistics. In the Industrial Track (MVTec AD 2), the results reveal that unsupervised anomaly segmentation remains challenging: the best regular-setting method achieves only ~57\% pixel-level $SegF_1$, indicating substantial room for improvement. Zero-shot approaches trail by ~15 $SegF_1$ points, confirming that task-specific training on normal data remains essential for precise defect localization. Robustness to distribution shifts remains a key open challenge and DINOv3-backbones clearly dominate this track. In the Retail Track (Kaputt 2), the results reveal that (1) supervised defect detection is approaching saturation for common defect types; (2) the best off-the-shelf VLM approach trails specialized models by ~28 AP, confirming that currently VLMs cannot replace fine-tuned detectors, (3) reference images did not prove helpful for top-performing approaches. Performance collapses on rare defects (spillage ~53 AP, missing units ~27 AP), where the supervised ceiling is bounded by data availability. To drive future progress in this domain, we provide a new low-prevalence retail AD dataset (Kaputt-Rare). Across both tracks, computational efficiency is assessed as a first-class metric combining performance, throughput, memory, and power consumption. We introduce a novel metric for measuring efficiency and reveal that that top-performing methods rely on heavy architectures while efficiency is largely neglected. Overall, we conclude that the community needs (a) more efficiency-aware method development, and (b) true anomaly detection approaches for rare defects and shifting conditions. https://sites.google.com/view/vand4-cvpr2026/challenge
• Abstract（参考訳）: 既存の異常検出ベンチマークは飽和しており、しばしば非現実的である。 VAND 4.0チャレンジの一環として、工業生産と小売のロジスティクスという、2つのデプロイメントクリティカルドメインにまたがる、隠れテストされたアプリケーション駆動ベンチマークを紹介した。 インダストリアルトラック(MVTec AD2)では、教師なしの異常セグメンテーションが依然として困難であることが示されている。 ゼロショットアプローチは ~15$SegF_1$point に続き、通常のデータに対するタスク固有のトレーニングが正確な欠陥ローカライゼーションに必須であることを確認する。 分散シフトに対するロバスト性は依然として重要な課題であり、DINOv3-バックボーンが明らかにこのトラックを支配している。 The Retail Track (Kaputt 2)では,(1)教師付き欠陥検出が一般的な欠陥の飽和に近づいていること,(2)最高の既製のVLMアプローチが28 APの特殊モデルを追尾し,現在VLMが微調整検出器を置き換えられないこと,(3)参照画像がトップパフォーマンスのアプローチには役に立たないこと,などが示されている。 希少な欠陥(スパイラージュ ~53 AP、欠落ユニット ~27 AP)では、教師付き天井がデータ可用性によってバウンドされる。 この領域の今後の進歩を促進するために、我々は新しい低頻度小売ADデータセット(Kaputt-Rare)を提供する。 どちらのトラックでも、計算効率は、性能、スループット、メモリ、消費電力を組み合わせた一級計量として評価される。 効率を計測するための新しい指標を導入し、高い性能の手法が重アーキテクチャに依存しているのに対して、効率はほとんど無視されていることを明らかにした。 全体として、私たちはコミュニティが必要と結論付けます。 (a)より効率に敏感な方法開発、 b) まれな欠陥とシフト条件に対する真の異常検出アプローチ。 https://sites.google.com/view/vand4-cvpr2026/challenge

関連論文リスト

• Robust Distribution Alignment for Industrial Anomaly Detection under Distribution Shift [51.24522135151649]
  異常検出は産業アプリケーションの品質管理において重要な役割を担っている。 既存の方法は、一般化可能なモデルをトレーニングすることで、ドメインシフトに対処しようとする。 提案手法は,最先端の異常検出法や領域適応法と比較して,優れた結果を示す。
  論文  参考訳（メタデータ） (2025-03-19T05:25:52Z)
• EIAD: Explainable Industrial Anomaly Detection Via Multi-Modal Large Language Models [23.898938659720503]
  工業異常検出(IAD)は製造中の製品品質を確保するために重要である。 本稿では,コア特徴抽出からダイアログ機能を分離する専用マルチモーダル欠陥ローカライゼーションモジュールを提案する。 私たちはまた、Defect Detection Question Answering (DDQA) という、最初のマルチモーダル産業異常検出トレーニングデータセットにも貢献する。
  論文  参考訳（メタデータ） (2025-03-18T11:33:29Z)
• 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)
• Industrial Anomaly Detection and Localization Using Weakly-Supervised Residual Transformers [44.344548601242444]
  Weakly-supervised RESidual Transformer (WeakREST) という新しいフレームワークを導入し,高い異常検出精度を実現する。 画素単位の異常局所化タスクをブロック単位の分類問題に再構成する。 弱いラベルと残差に基づく表現との相互作用を処理できるResMixMatchアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-06-06T08:19:30Z)

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。