論文の概要: CORE: Contrast-and-Reflect for Self-Supervised Prompt Optimization in Anomaly Synthesis

• arxiv url: http://arxiv.org/abs/2610.19610v1
• Date: Wed, 14 Oct 2026 05:33:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.981117
• Title: CORE: Contrast-and-Reflect for Self-Supervised Prompt Optimization in Anomaly Synthesis
• Title（参考訳）: CORE: 異常合成における自己スーパービジョンプロンプト最適化のコントラスト・アンド・レフレクト
• Abstract要約: COREは、Large Multimodal Models (LMM)に基づくコスト効率でトレーニング不要なプロンプト最適化フレームワークである COREは自己監督型コントラスト・アンド・リフレクション機構を通じて、プロンプトを自律的に洗練する。 MVTec-AD と VisA の実験により、CORE は現実的で多様な異常を合成し、下流 AD の性能を向上することを示した。
• 参考スコア（独自算出の注目度）: 38.233982776274665
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Industrial anomaly detection (AD) is bottlenecked by the scarcity of anomalous samples, making high-fidelity anomaly synthesis crucial for improving downstream performance. However, existing methods either rely on scarce real anomaly references or auxiliary data, while lacking complex reasoning and iterative optimization capabilities for generating realistic defects in open-set scenarios. To address these challenges, we propose CORE, a cost-efficient and training-free prompt optimization framework based on Large Multimodal Models (LMMs), which unifies zero-shot and one-shot anomaly synthesis. CORE first introduces an Anomaly Context Grounding module to transform sparse user context into defect-aware generation context, which is subsequently instantiated as structured anomaly prompts that disentangle normal-region preservation from anomaly-specific variation, enabling controllable and faithful defect generation. Furthermore, CORE autonomously refines prompts through a self-supervised contrast-and-reflect mechanism. This design empowers general-purpose LMMs to synthesize realistic anomalies under both zero-shot and one-shot settings without task-specific training. Extensive experiments on MVTec-AD and VisA demonstrate that CORE synthesizes realistic and diverse anomalies, yielding superior improvements in downstream AD performance. Furthermore, its model-agnostic and plug-and-play paradigm enables effortless integration with diverse LMMs, facilitating adaptation to unseen open-set scenarios.
• Abstract（参考訳）: 産業異常検出 (AD) は異常サンプルの不足によってボトルネックとなり, 下流性能向上に高忠実な異常合成が不可欠である。 しかし、既存のメソッドは、実際の異常参照や補助データが少ない一方、オープンセットシナリオで現実的な欠陥を生成するための複雑な推論と反復最適化機能が欠如している。 これらの課題に対処するため、我々は、ゼロショットとワンショットの異常合成を統一したLMM(Large Multimodal Models)に基づくコスト効率でトレーニング不要なプロンプト最適化フレームワークであるCOREを提案する。 COREはまず、スパースユーザコンテキストを欠陥認識のコンテキストに変換するための異常コンテキストグラウンド(Anomaly Context Grounding)モジュールを導入し、その後、構造化異常(Structured Anomaly)としてインスタンス化する。 さらに、COREは自己監督型コントラスト・アンド・リフレクション機構を通じてプロンプトを自律的に洗練する。 この設計により、汎用LMMは、タスク固有のトレーニングなしでゼロショットとワンショットの両方の設定で現実的な異常を合成できる。 MVTec-AD と VisA に関する大規模な実験により、CORE は現実的で多様な異常を合成し、下流 AD の性能を向上することを示した。 さらに、モデルに依存しないプラグイン・アンド・プレイのパラダイムにより、様々なLMMとの統合が可能になり、目に見えないオープンセットのシナリオへの適応が容易になる。

関連論文リスト

• Prototype-Anchored Generalized Manifold Regression for Unknown-Domain Object Detection [58.25418970608328]
  単一ソースドメイン上でトレーニングされた検出器を複数の未確認領域に転送することを目的としたシングルドメイン一般化オブジェクト検出(Single-DGOD)について検討する。 既存の手法は主に、トレーニング分布を拡大するために、データ拡張やテキストプロンプトといったシミュレーション駆動の戦略に依存している。 本稿では, 未知領域の一般化を多様体回帰問題として定式化する, Visual-Text Dual Chain-of-Thought (MR-DCoT) を用いたマニフォールド回帰を提案する。
  論文  参考訳（メタデータ） (2026-07-08T09:27:15Z)
• AnomalyAgent: Training-Free Agentic Models for Zero-/Few-Shot Anomaly Detection [43.187781277950386]
  異常検出のためのトレーニング不要なエージェントフレームワークである textbfAnomalyAgent を提案する。 textbf1) は包括的な異常中心のツールセットであり、textbf2) はカスタマイズされたメモリモジュールである。 AnomalyAgent はトレーニング不要な VLM ベースの AD やジェネリックエージェント手法に比べ,性能が大幅に向上することを示した。
  論文  参考訳（メタデータ） (2026-05-28T16:05:42Z)
• Mixture of Ranks with Degradation-Aware Routing for One-Step Real-World Image Super-Resolution [76.66229730098759]
  実世界の画像超解像(Real-ISR)では、既存のアプローチは主に微調整された事前学習拡散モデルに依存している。 単一ステップ画像超解像のためのMixture-of-Ranks (MoR)アーキテクチャを提案する。 LoRAの各ランクを独立した専門家として扱う、きめ細かい専門家分割戦略を導入する。
  論文  参考訳（メタデータ） (2025-11-20T04:11:44Z)
• Generate Aligned Anomaly: Region-Guided Few-Shot Anomaly Image-Mask Pair Synthesis for Industrial Inspection [53.137651284042434]
  異常検査は製造業において重要な役割を担っているが、異常サンプルの不足は既存の方法の有効性を制限している。 本稿では,GAA (Generate grained Anomaly) を提案する。 GAAは少数のサンプルのみを用いて現実的で多様で意味的に整合した異常を発生させる。
  論文  参考訳（メタデータ） (2025-07-13T12:56:59Z)
• SAGE: A Visual Language Model for Anomaly Detection via Fact Enhancement and Entropy-aware Alignment [12.388954043805235]
  VLM(Vision-Language Models)は、しばしば産業の異常検出と推論に苦しむ。 SAGEは、自己ガイドFact Enhancement (SFE)とEntropy-aware Direct Preference Optimization (E-DPO)を通じて、異常推論を強化するVLMベースのフレームワークである。 SAGEはゼロショットおよびワンショット設定下での産業異常データセット上での優れたパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-07-10T17:23:42Z)
• Open-set Anomaly Segmentation in Complex Scenarios [88.11076112792992]
  本稿では,複雑なシナリオにおけるオープンセット異常セグメンテーションのベンチマークであるComsAmyを紹介する。 ComsAmyは、幅広い悪天候、動的な運転環境、様々な異常タイプを含む。 本稿では,エネルギーとエントロピーの相補的情報を統合する新しいエネルギ-エントロピー学習(EEL)戦略を提案する。
  論文  参考訳（メタデータ） (2025-04-28T12:00:10Z)
• RAAD-LLM: Adaptive Anomaly Detection Using LLMs and RAG Integration [2.879328762187361]
  本稿では,適応型異常検出のための新しいフレームワークであるRAAD-LLMを提案する。 ドメイン固有の知識を効果的に活用することにより、RAAD-LLMは時系列データにおける異常の検出を強化する。 実際のデータセットでは,70.7%から88.6%に精度が向上した。
  論文  参考訳（メタデータ） (2025-03-04T17:20:43Z)
• Conditional Denoising Diffusion for Sequential Recommendation [62.127862728308045]
  GAN(Generative Adversarial Networks)とVAE(VAE)の2つの顕著な生成モデル GANは不安定な最適化に苦しむ一方、VAEは後続の崩壊と過度に平らな世代である。 本稿では,シーケンスエンコーダ,クロスアテンティブデノナイジングデコーダ,ステップワイズディフューザを含む条件付きデノナイジング拡散モデルを提案する。
  論文  参考訳（メタデータ） (2023-04-22T15:32:59Z)

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。