論文の概要: Anchor and Adapt: Asymmetric Prompt Adaptation for Few-Shot Industrial Anomaly Detection

• arxiv url: http://arxiv.org/abs/2610.07016v1
• Date: Sun, 04 Oct 2026 14:27:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.508431
• Title: Anchor and Adapt: Asymmetric Prompt Adaptation for Few-Shot Industrial Anomaly Detection
• Title（参考訳）: アンカー・アダプティブ:不斉プロンプト適応による工業的異常検出
• Abstract要約: 数発の工業異常検出では、少数の通常のターゲット画像は直接欠陥の監視を提供しない。 Anchor and Adaptは,異常なセマンティクスの獲得を適応からターゲットの正常な外観へと分離する2段階のプロンプト学習フレームワークである。
• 参考スコア（独自算出の注目度）: 31.51756056932851
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In few-shot industrial anomaly detection, the few normal target images provide no direct defect supervision, making anomaly prompts difficult to learn from these samples alone. Some vision-language methods therefore use manually specified descriptions to supply explicit anomaly semantics. However, constructing these descriptions requires product-specific effort, and their effectiveness depends on prompt selection. We propose Anchor and Adapt, a two-stage prompt learning framework that separates the acquisition of anomaly semantics from adaptation to target normal appearance. Stage I learns transferable normal and abnormal anchors from annotated auxiliary data. Stage II keeps these anchors fixed and adapts an additional normal branch using the few target normal samples. The inherited and adapted normal branches jointly characterize target normality, with text-anchor regularization encouraging consistency with the generic normal prior and separation from the abnormal anchors. This design retains learned anomaly knowledge while reducing dependence on category-specific anomaly templates, without requiring synthetic anomaly generation. Cross-dataset experiments between MVTec-AD and VisA under 1-, 2-, and 4-shot settings demonstrate competitive detection and localization performance. Controlled ablations assess the roles of transferred anchors, asymmetric adaptation, dual-normal representations, and anchor regularization.
• Abstract（参考訳）: 数発の工業的異常検出では、少数の通常のターゲット画像は直接的な欠陥の監視を行なわず、異常はこれらのサンプルから単独で学ぶのが困難である。 したがって、いくつかの視覚言語的手法は、明示的な異常な意味論を提供するために手動で記述する。 しかし、これらの記述を構築するには製品固有の努力が必要であり、それらの効果は迅速な選択に依存する。 Anchor and Adaptは,異常なセマンティクスの獲得を適応からターゲットの正常な外観へと分離する2段階のプロンプト学習フレームワークである。 ステージIは、注釈付き補助データから転送可能な正常および異常アンカーを学習する。 ステージIIはこれらのアンカーを固定し、少数のターゲットの通常のサンプルを使用して追加のノーマルブランチを適応させる。 遺伝および適応された正常分岐は、ターゲットの正常性を共同的に特徴付け、テキストアンカー正規化は、一般的な正規化前と整合性を奨励し、異常なアンカーから分離する。 この設計は、合成異常生成を必要とせず、カテゴリ固有の異常テンプレートへの依存を減らしながら、学習された異常知識を維持している。 MVTec-AD と VisA の1-, 2-, 4-shot におけるデータセット間実験により, 競合検出性能とローカライゼーション性能が示された。 制御されたアブレーションは、移動アンカー、非対称適応、二重正規表現、アンカー正規化の役割を評価する。

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)
• Beyond Normal References: Discriminative Few-Shot Anomaly Detection [35.05951359908686]
  本稿では,識別性FSADと呼ばれる,現実的な数発の異常検出設定について考察する。 既存のFSADメソッドは正規性マッチングを通じて正規性のみの参照に依存している。 両方の参照型を利用する本質的な逸脱学習フレームワークを導入する。
  論文  参考訳（メタデータ） (2026-05-22T04:48:14Z)
• Anomaly-Aware Vision-Language Adapters for Zero-Shot Anomaly Detection [11.946493851834367]
  ゼロショット異常検出は、ターゲット固有のトレーニングなしで、目に見えないカテゴリの欠陥を特定することを目的としている。 AVA-DINOは、正常パターンと異常パターンの2つの特殊分岐を持つ、異常認識型視覚言語適応フレームワークである。 9つの産業用および医療用ベンチマークの実験は、最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2026-05-12T12:56:37Z)
• Correcting False Alarms from Unseen: Adapting Graph Anomaly Detectors at Test Time [60.341117019125214]
  グラフ異常検出(GAD)における未確認正規pattErnsの修正のための,軽量かつプラグアンドプレイなテスト時間適応フレームワークを提案する。 意味的混乱に対処するために、シフトしたデータと元のデータとをグラフ属性レベルで整合させるグラフ整合器を用いる。 10個の実世界のデータセットに対する大規模な実験により、TUNEは事前学習されたGADモデルの合成パターンと実際の見えない正常パターンの両方への一般化性を著しく向上することが示された。
  論文  参考訳（メタデータ） (2025-11-10T12:10:05Z)
• AD-DINOv3: Enhancing DINOv3 for Zero-Shot Anomaly Detection with Anomaly-Aware Calibration [12.642531824086639]
  Zero-Shot Anomaly Detection (ZSAD)は、任意の新しいカテゴリから異常を識別する。 最近のDINOv3のようなビジョン基礎モデルは、強力な転送可能な表現能力を示している。 本稿では,ZSAD用に設計された新しい視覚言語マルチモーダルフレームワークであるAD-DINOv3を紹介する。
  論文  参考訳（メタデータ） (2025-09-17T15:29:25Z)
• Fine-grained Abnormality Prompt Learning for Zero-shot Anomaly Detection [109.72772150095646]
  FAPromptは、精密なZSADのためのきめ細かい異常プロンプトを学習するために設計された新しいフレームワークである。 産業的欠陥と医療的異常の両方をカバーする19の実世界のデータセットの実験は、FAPromptが画像レベルのZSADタスクとピクセルレベルのZSADタスクの両方で最先端の手法を大幅に上回っていることを実証している。
  論文  参考訳（メタデータ） (2024-10-14T08:41:31Z)
• Enhancing Anomaly Detection via Generating Diversified and Hard-to-distinguish Synthetic Anomalies [7.021105583098609]
  近年のアプローチでは、通常のサンプルから合成異常を生成するためにドメイン固有の変換や摂動を活用することに重点を置いている。 そこで本研究では,条件付き摂動器と判別器を併用したドメインに依存しない新しい手法を提案する。 我々は,最先端のベンチマークよりも提案手法が優れていることを示す。
  論文  参考訳（メタデータ） (2024-09-16T08:15:23Z)
• Prior Normality Prompt Transformer for Multi-class Industrial Image Anomaly Detection [6.865429486202104]
  マルチクラス異常検出のためのPNPT(Presideor Normality Prompt Transformer)を導入する。 PNPTは戦略的に通常の意味論を取り入れ、「アイデンティティマッピング」問題を緩和する。 これにより、事前の正規性プロンプトを再構築プロセスに統合し、二重ストリームモデルを生成する。
  論文  参考訳（メタデータ） (2024-06-17T13:10:04Z)
• 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)

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。