論文の概要: Bidirectional Adaptive Transformers for Multimodal Anomaly Detection
- arxiv url: http://arxiv.org/abs/2610.14598v1
- Date: Sat, 10 Oct 2026 05:35:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-20 12:45:21.98187
- Title: Bidirectional Adaptive Transformers for Multimodal Anomaly Detection
- Title（参考訳）: 多モード異常検出のための双方向適応変換器
- Abstract要約: 本研究では,多モード異常検出のための双方向適応変換器(BAT)フレームワークを提案する。
BATは、モジュール間の相補的属性を活用することで、包括的でセマンティックに整合したマルチモーダル表現を構成する。
MVTec 3D-ADとEyecandiesの実験により、BATが最先端の異常検出性能を達成することを確認した。
- 参考スコア（独自算出の注目度）: 21.643874347903406
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The effective integration of features derived from RGB images and 3D point clouds presents a substantial challenge in the field of multimodal anomaly detection (MAD). Existing MAD methods typically rely on static fusion paradigms built upon frozen pre-trained encoders. While these frameworks facilitate spatial alignment, they lack the mechanism to establish latent semantic correspondence, thereby inducing cross-modal interference that degrades anomaly discriminability. To mitigate these limitations, this study proposes a Bidirectional Adaptive Transformers (BAT) framework, which constructs comprehensive and semantically aligned multimodal representations by leveraging complementary attributes across modalities. The BAT framework introduces a Bidirectional Feature Alignment (BFA) module, which employs a mutual predictive mechanism to bridge the gap between 2D textural patterns and 3D geometric structures. This bidirectional interaction explicitly enhances the textural granularity of point cloud descriptors while augmenting the spatial contextual awareness of RGB features. To ensure that the latent representations possess sufficient informational density for alignment, BAT incorporates a parameter-efficient adaptation architecture. By utilizing lightweight image and point cloud adapters, the framework facilitates specialized fine-tuning of pre-trained models, mitigating the information loss inherent in frozen encoders. Extensive experiments conducted on MVTec 3D-AD and Eyecandies confirm that BAT achieves state-of-the-art anomaly detection performance, significantly outperforming existing MAD methods.
- Abstract（参考訳）: RGB画像と3D点雲から得られる特徴の効果的な統合は、マルチモーダル異常検出(MAD)分野において大きな課題となる。
既存のMADメソッドは通常、凍結した事前訓練エンコーダ上に構築された静的核融合パラダイムに依存している。
これらのフレームワークは空間的アライメントを促進するが、潜在意味対応を確立するメカニズムが欠如しているため、異常な識別性を低下させるクロスモーダル干渉を引き起こす。
これらの制約を緩和するために,両方向適応変換器(BAT)フレームワークを提案する。
BATフレームワークは、双方向特徴アライメント(BFA)モジュールを導入し、2次元テクスチャパターンと3次元幾何学構造の間のギャップを橋渡しする相互予測機構を採用している。
この双方向相互作用は、RGB特徴の空間的文脈認識を高めながら、ポイントクラウドディスクリプタのテクスカルな粒度を明示的に向上させる。
潜在表現がアライメントに十分な情報密度を持つことを保証するため、BATはパラメータ効率のよい適応アーキテクチャを取り入れている。
軽量なイメージとポイントクラウドアダプタを利用することで、フリーズエンコーダに固有の情報損失を軽減し、事前訓練されたモデルの微調整を容易にする。
MVTec 3D-ADとEyecandiesの広範囲な実験により、BATが最先端の異常検出性能を達成し、既存のMAD法よりも大幅に優れていたことが確認された。
関連論文リスト
- FLUX3D: High-Fidelity 3D Gaussian Generation with Diffusion-Aligned Sparse Representation [48.928051741750124]
本稿では,画像から3DGSまでのスケーラブルなフレームワークを提案し,生成時の表現学習と相互モーダルアライメントを向上する。
FLUX3Dは外観の忠実さを大幅に改善し、高品質な3DGSの資産を生み出すのに最先端(SOTA)の手法を著しく上回っている。
論文 参考訳（メタデータ） (2026-06-23T17:52:21Z) - CMDS-AD: Cross-Modal Dual-Stream Decoupling for Few-Shot Anomaly Detection [22.190054508477704]
訓練データに制限があるため、わずかな撮影異常検出は依然として困難である。
CMDS-AD(Cross-Modal Dual-Stream Anomaly Detection framework)を提案する。
CMDS-ADは、MVTec 3D-ADで5.7%(I-AUROC)と2.0%(AUPRO)の絶対的なパフォーマンス向上を達成する。
論文 参考訳（メタデータ） (2026-06-18T14:36:02Z) - Hierarchical Consistency Learning for Test-time Adaptation in Camouflage Perception [50.278200968044665]
カモフラージュされた物体検出(COD)は、物理的属性を通して背景から最小限の知覚差を示すターゲットをローカライズすることを目的としている。
既存のメソッドは、静的なTrain-then-freezeパラダイムによって制約されており、ドメインの剛性と依存性のアノテーションに悩まされている。
動的表現再構成のためのテスト時間適応を統合した階層的一貫性学習フレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-25T09:57:46Z) - 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) - CCF: Complementary Collaborative Fusion for Domain Generalized Multi-Modal 3D Object Detection [10.131066023908023]
マルチモーダル融合は正確な3次元物体検出のための有望なパラダイムとして登場してきた。
しかし、トレーニングとは異なるターゲットドメインにデプロイされた場合、パフォーマンスは大幅に低下する。
本研究では、堅牢なクロスドメイン一般化を制限する2つの要因を同定する。
これらの課題に対処するための3つのコンポーネントを提案する。
論文 参考訳（メタデータ） (2026-03-24T14:39:51Z) - 3DGS-HPC: Distractor-free 3D Gaussian Splatting with Hybrid Patch-wise Classification [80.43401018217367]
3D Gaussian Splatting (3DGS) は新規なビュー合成と3Dシーン再構成において顕著な性能を示した。
その品質は、移動物体や様々な影など、過渡的な気晴らしによって、現実世界の環境において劣化することが多い。
既存の方法は、事前訓練された視覚モデルから抽出されたセマンティックな手がかりに頼り、これらの障害を識別し、抑制する。
本稿では,2つの相補的原理を組み合わせることで,これらの制約を回避するフレームワークである3DGS-HPCを提案する。
論文 参考訳（メタデータ） (2026-03-08T11:16:30Z) - Adaptive Dual Uncertainty Optimization: Boosting Monocular 3D Object Detection under Test-Time Shifts [80.32933059529135]
TTA(Test-Time Adaptation)メソッドが出現し、推論中にターゲット分布に適応する。
我々は、堅牢なM3ODの両不確実性を共同で最小化するために設計された、最初のTTAフレームワークであるDual Uncertainity Optimization (DUO)を提案する。
並列に,明瞭な意味的手がかりを持つ領域における幾何学的コヒーレンスを保存する意味認識型正規場制約を設計する。
論文 参考訳（メタデータ） (2025-08-28T07:09:21Z) - Lightweight RGB-D Salient Object Detection from a Speed-Accuracy Tradeoff Perspective [54.91271106816616]
現在のRGB-D法は通常、大規模なバックボーンを利用して精度を向上させるが効率を犠牲にする。
本稿では,軽量RGB-D SODのためのSATNet(Speed-Accuracy Tradeoff Network)を提案する。
深度について,高品質の深度マップを生成するための深度任意のモデルを導入する。
モダリティ融合において,モダリティ間の整合性を検討するために,DAM(Decoupled Attention Module)を提案する。
特徴表現のために,双方向の反転フレームワークを用いたDIRM (Dual Information Representation Module) を開発した。
論文 参考訳（メタデータ） (2025-05-07T19:37:20Z) - Double-Shot 3D Shape Measurement with a Dual-Branch Network for Structured Light Projection Profilometry [14.749887303860717]
我々は、異なる構造光(SL)変調を処理するために、デュアルブランチ畳み込みニューラルネットワーク(CNN)-トランスフォーマーネットワーク(PDCNet)を提案する。
PDCNet内では、Transformerブランチを使用してフリンジイメージのグローバルな認識をキャプチャし、CNNブランチはスペックルイメージのローカル詳細を収集するように設計されている。
提案手法は, 自己生成データセット上で高精度な結果が得られる一方で, フランジオーダーの曖昧さを低減できる。
論文 参考訳（メタデータ） (2024-07-19T10:49:26Z)
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。