論文の概要: Robust Logical Anomaly Detection under Capture Shifts via Synthetic Anomalies

• arxiv url: http://arxiv.org/abs/2610.18295v1
• Date: Tue, 13 Oct 2026 12:42:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 06:32:06.896806
• Title: Robust Logical Anomaly Detection under Capture Shifts via Synthetic Anomalies
• Title（参考訳）: 合成異常によるキャプチャシフトによるロバスト論理異常検出
• Abstract要約: 論理異常の検出器は通常、通常の(良い)画像からの距離でテスト画像を取得する。 本稿では,通常の画像や合成異常に基づいて訓練された分類器が,通常のデータと比較することなく,テスト画像のスコア付けを行うフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 5.127836966483092
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Detectors of logical anomalies, such as missing, extra or wrongly combined parts, usually score a test image by its distance from normal (good) images. They achieve near-perfect image-level AUROC on standard industrial anomaly detection benchmarks such as MVTec LOCO, but their robustness to changes in capture conditions remains largely unexamined. Under a heterogeneous perturbation protocol in which each test image is randomly kept unaltered or subjected to a brightness reduction or a zoom-out transformation, the normal-reference methods we tested lose 9.7 to 34.1 AUROC points, and two of the strongest, CSAD and SALAD, fall from 97.7% and 96.4% to 68.1% and 62.3%. We propose a framework in which a classifier, trained on normal images and on synthetic anomalies, scores a test image without comparing it with normal data. From a short description of each product, a language model derives anomaly types and editing instructions, an image editor applies them to normal images, and the classifier learns to separate the edited images from automatically discovered normal sub-modes. With its full training recipe, the framework reaches 94.9% AUROC on clean images, 1.5 to 2.8 points below SALAD and CSAD, and 94.1% under the perturbation protocol. Trained without brightness or zoom-out augmentation, so that neither test perturbation occurs in training, it still reaches 92.5% (93.2% clean). These results suggest that clean benchmark scores can hide a strong sensitivity to capture conditions, and that learning the decision from both normal images and rule violations may reduce it.
• Abstract（参考訳）: 異常、余剰、または不正に組み合わせた部分などの論理異常の検知器は通常、通常の(良い)画像からの距離でテスト画像を取得する。 MVTec LOCOなどの標準産業異常検出ベンチマークでは、ほぼ完璧な画像レベルのAUROCを実現しているが、捕捉条件の変化に対する堅牢性はほとんど検討されていない。 各試験画像をランダムに調整したり、明るさの低下やズームアウト変換を受けたりするような不均一な摂動プロトコルの下では、テストした通常の参照法は9.7から34.1AUROCポイントを失い、最も強いCSADとSALADの2つは97.7%から96.4%から68.1%、62.3%に低下した。 本稿では,通常の画像や合成異常に基づいて訓練された分類器が,通常のデータと比較することなく,テスト画像のスコア付けを行うフレームワークを提案する。 各製品の短い記述から、言語モデルは異常な型と編集命令を導出し、画像エディタはそれらを通常の画像に適用し、分類器は、編集された画像を、自動的に発見された通常のサブモードから分離することを学習する。 完全なトレーニングのレシピでは、クリーンなイメージで94.9%のAUROC、SALADとCSADの1.5から2.8ポイント、摂動プロトコルで94.1%に達する。 明るさやズームアウトなしで訓練されるため、試験摂動はトレーニング中に起こらないため、92.5%まで達する(93.2%の清潔さ)。 これらの結果は、クリーンなベンチマークスコアは、条件をキャプチャするために強い感度を隠蔽し、通常の画像とルール違反の両方から決定を学習することで、それを減らすことを示唆している。

関連論文リスト

• Augmenting Visual Anomaly Detection with Automated Interpretability [3.83610149911488]
  視覚異常検出装置は、既知の正常なデータからの偏差を識別するが、その異常信号は実際の異常の証拠と良質な視覚的変動を混合する可能性がある。 本稿では,この信号の異なる成分を識別・介入することにより,視覚異常検出装置を拡張できるかどうかを考察する。
  論文  参考訳（メタデータ） (2026-09-27T18:13:59Z)
• AI-generated Images Challenge Visual Trust in High-risk Scenarios [79.40239296310791]
  SafeIMGは、GPT Image 2.0を用いて生成された12のパブリックおよび個人安全シナリオにまたがる安全指向のベンチマークである。 SafeIMGは、検出器が合成画像を認識するかどうかを評価するだけでなく、それらの決定が人間の識別された異常を反映しているかどうかも評価する。 我々は,特殊合成画像検出器と視覚言語モデル(VLM)を評価し,どちらも信頼性のある検出を提供していないことを発見した。
  論文  参考訳（メタデータ） (2026-07-23T06:56:49Z)
• Fixed-Threshold Evaluation of a Hybrid CNN-ViT for AI-Generated Image Detection Across Photos and Art [0.0]
  クリーンな検証データに基づいて選択された決定しきい値を保持する固定閾値評価を導入し、すべての後処理変換に固定する。 AiDataアート/グラフィックでは91.4%の精度、AiDataアート/グラフィックでは89.7%の精度、CIFAKEでは98.3%(競争力)である。
  論文  参考訳（メタデータ） (2025-12-25T05:19:09Z)
• On the Problem of Consistent Anomalies in Zero-Shot Industrial Anomaly Detection [0.0]
  類似性計算から一貫した異常を識別・フィルタリングする新しいアルゴリズムであるConsistent-Anomaly Detection Graph (CoDeGraph)を導入する。 CoDeGraphはイメージレベルのグラフを構築し、イメージをノードとして、エッジを共通の一貫したアノマリーパターンで接続する。 ViT-L-14-336バックボーンを用いたMVTec ADの実験では、AUROCが98.3%、ASが66.8%であった。
  論文  参考訳（メタデータ） (2025-10-12T05:28:28Z)
• Few-Shot Anomaly Detection via Category-Agnostic Registration Learning [65.64252994254268]
  既存のほとんどの異常検出方法は、各カテゴリに専用のモデルを必要とする。 この記事では、新しい数ショットAD(FSAD)フレームワークを提案する。 これは新しいカテゴリーのモデル微調整を必要としない最初のFSAD法である。
  論文  参考訳（メタデータ） (2024-06-13T05:01:13Z)
• Spatial-aware Attention Generative Adversarial Network for Semi-supervised Anomaly Detection in Medical Image [63.59114880750643]
  本稿では,一級半教師付き健康画像生成のための空間意識生成ネットワーク(SAGAN)について紹介する。 SAGANは、正常な画像の復元と擬似異常画像の復元によって導かれる、ラベルのないデータに対応する高品質な健康画像を生成する。 3つの医学データセットに対する大規模な実験は、提案されたSAGANが最先端の手法よりも優れていることを示した。
  論文  参考訳（メタデータ） (2024-05-21T15:41:34Z)
• Uncertainty-inspired Open Set Learning for Retinal Anomaly Identification [71.06194656633447]
  9つの網膜条件の基底像をトレーニングし,不確実性に着想を得たオープンセット(UIOS)モデルを構築した。 しきい値戦略を持つUIOSモデルはF1スコア99.55%、97.01%、91.91%を達成した。 UIOSは、高い不確実性スコアを正しく予測し、非ターゲットの網膜疾患、低品質の眼底画像、および非基本画像のデータセットを手動でチェックする必要があることを示唆した。
  論文  参考訳（メタデータ） (2023-04-08T10:47:41Z)
• Industrial and Medical Anomaly Detection Through Cycle-Consistent Adversarial Networks [0.6554326244334868]
  産業用および医療用画像に対する新しい異常検出(AD)手法を提案する。 提案手法では,Cycle-Generative Adrial Networks (Cycle-GAN) を用いて正規語から正規語への翻訳を行う。 その結果, 正負の制約をゼロとする精度が, 最先端の手法と比較して高いことがわかった。
  論文  参考訳（メタデータ） (2023-02-10T10:25:12Z)

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。