論文の概要: Flownomaly: Single-Step Conditional-Mean Recovery for Few-Shot Anomaly Detection

• arxiv url: http://arxiv.org/abs/2610.32964v1
• Date: Fri, 23 Oct 2026 17:53:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.627541
• Title: Flownomaly: Single-Step Conditional-Mean Recovery for Few-Shot Anomaly Detection
• Title（参考訳）: Flownomaly:Few-Shot 異常検出のための単一ステップ条件平均回復
• Abstract要約: Flownomalyは、凍結したDINOv2特徴空間における正規カウンタレカバリとして問題を提起している。 チューニングに異常な検証サンプルがないため、通常のジャコビアンゲイン・ツー・ノイズ基準はサポートのみからこの時間を選択できる。 Flownomalyは最新のカテゴリ固有の手法に対して最先端のパフォーマンスを実現する。
• 参考スコア（独自算出の注目度）: 6.476948781728136
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Few-shot industrial anomaly detection requires modeling category-specific normality from only a handful of defect-free images. Common approaches tie inference to stored exemplars, impose rigid linear structure, or risk reproducing anomalous content. Flownomaly instead casts the problem as normal-counterpart recovery in frozen DINOv2 feature space. Given normal supports, a velocity field is learned through conditional flow matching over frozen patch tokens to transport Gaussian noise toward normal features. Along straight paths, a single recovery step using one evaluation of the optimal field yields the posterior mean of the clean normal token without trajectory integration. The operating time governs how strongly recovery modifies a query token. With no anomalous validation samples available for tuning, a normal-only Jacobian gain-to-noise criterion selects this time from the supports alone. Squared residuals between query tokens and their recovered counterparts yield anomaly signals for both dense localization and image-level detection. Across 1-, 2-, and 4-shot benchmarks on MVTec-AD and VisA, together with sample-shot evaluations on Real-IAD, Flownomaly achieves state-of-the-art performance against recent category-specific methods. In the 1-shot setting, image- and pixel-level AUROC reach 97.8% and 98.0% on MVTec-AD and 95.3% and 98.7% on VisA, with a 2.1-point image-level AUROC improvement over the strongest baseline on VisA. Code is available at https://github.com/b-rbmp/Flownomaly.
• Abstract（参考訳）: 少数の欠陥のない画像からカテゴリ固有の正規性をモデル化する必要がある。 一般的なアプローチは、格納された例に推論を結び付け、厳密な線形構造を課したり、異常な内容のリスクを再現する。 Flownomalyは代わりに、凍結したDINOv2特徴空間における正規カウンタレカバリとして問題を提起している。 正規サポートが与えられた場合、速度場は凍結したパッチトークン上の条件フローマッチングを通じて学習され、ガウスノイズを通常の特徴へ輸送する。 直進経路に沿って、最適フィールドの1つの評価を用いた1つの回復ステップは、軌道積分を伴わないクリーンノーマルトークンの後方平均を得る。 操作時間によって、クエリトークンの強いリカバリが変更されるかが制御される。 チューニングに異常な検証サンプルがないため、通常のジャコビアンゲイン・ツー・ノイズ基準はサポートのみからこの時間を選択できる。 クエリトークンとその回復したトークン間の正方形残差は、濃密なローカライゼーションと画像レベルの検出の両方のために異常信号を生成する。 MVTec-AD および VisA 上の 1-, 2-, 4-shot ベンチマークと Real-IAD のサンプルショット評価と合わせて,Flownomaly は最新のカテゴリ固有の手法に対して最先端のパフォーマンスを達成している。 1ショット設定では、イメージレベルのAUROCは、MVTec-ADで97.8%、MVTec-ADで98.0%、VisAで95.3%、そして98.7%に達した。 コードはhttps://github.com/b-rbmp/Flownomalyで入手できる。

関連論文リスト

• Robust Logical Anomaly Detection under Capture Shifts via Synthetic Anomalies [5.127836966483092]
  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。
  論文  参考訳（メタデータ） (2026-10-13T12:42:12Z)
• Beyond Static Anchors: Bounded Prototype Conditioning for Language-Free Medical Anomaly Detection [52.986874008247554]
  本稿では,静的アンカーを入力条件付きビジュアルプロトタイプに置き換える言語フリーフレームワークReCAPを提案する。 ReCAPリセンターは、境界ゲート変調により、各画像の正常と異常なプロトタイプを分離した。 3つのセグメンテーションデータセットで最高のゼロショットレベルのAUROCと、24の複数ショット設定のうち23のゼロショットレベルのAUROCを達成する。
  論文  参考訳（メタデータ） (2026-08-01T04:46:55Z)
• Thinking in Scales: Accelerating Gigapixel Pathology Image Analysis via Adaptive Continuous Reasoning [52.41928980786654]
  スライド画像全体に対してトークン効率のよいスケール空間連続推論を可能にするPathCTMを提案する。 PathCTMは診断推論を動的逐次情報追跡として定式化する。 必要な画像パッチの数を95.95%削減し、推論時間を約95.62%短縮し、AUCを劣化せずに維持する。
  論文  参考訳（メタデータ） (2026-05-19T07:46:44Z)
• CaTok: Taming Mean Flows for One-Dimensional Causal Image Tokenization [122.88484422855934]
  本稿では,MeanFlowデコーダを備えた1次元因果画像トークンであるCaTokを紹介する。 時間間隔でトークンを選択することで、CaTokは高速なワンステップ生成と高忠実なマルチステップサンプリングの両方をサポートする因果1D表現を学ぶ。 実験により、CaTokはImageNet再構成の最先端の結果を達成し、0.75 FID、22.53 PSNR、0.674 SSIMに達した。
  論文  参考訳（メタデータ） (2026-03-06T16:39:17Z)
• 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)
• Self-Navigated Residual Mamba for Universal Industrial Anomaly Detection [42.42739543127113]
  SNARM (Self-Navigated Residual Mamba) は,産業用アノマリー検出のための新しいフレームワークである。 SNARMは、テストパッチを適応的に選択された画像内参照と比較することにより、異常検出を反復的に洗練する。 MVTec AD、MVTec 3D、VisAベンチマークの実験では、SNARMがSOTA(State-of-the-art)のパフォーマンスを達成した。
  論文  参考訳（メタデータ） (2025-08-03T05:07:38Z)
• MuSc: Zero-Shot Industrial Anomaly Classification and Segmentation with Mutual Scoring of the Unlabeled Images [12.48347948647802]
  産業ビジョンにおけるゼロショット異常分類(AC)とセグメンテーション(AS)について検討した。 我々は、識別特性を利用して、ラベルなし画像のMutual Scoring (MuSc) による新しいゼロショットAC/AS法を設計する。 本稿では,画像レベルの異常分類のためのRe-scoring with Constrained Image-level Neighborhood (RsCIN)という最適化手法を提案する。
  論文  参考訳（メタデータ） (2024-01-30T05:16:52Z)
• Adaptive Feature Selection for No-Reference Image Quality Assessment by Mitigating Semantic Noise Sensitivity [55.399230250413986]
  上流タスクから有害なセマンティックノイズを除去するためのQFM-IQM(Quality-Aware Feature Matching IQA Metric)を提案する。 提案手法は,8つの標準IQAデータセット上での最先端NR-IQA法よりも優れた性能を実現する。
  論文  参考訳（メタデータ） (2023-12-11T06:50:27Z)
• MSFlow: Multi-Scale Flow-based Framework for Unsupervised Anomaly Detection [124.52227588930543]
  教師なし異常検出(UAD)は多くの研究の関心を集め、幅広い応用を推進している。 不明瞭だが強力な統計モデルである正規化フローは、教師なしの方法で異常検出と局所化に適している。 非対称な並列フローと融合フローからなるMSFlowと呼ばれる新しいマルチスケールフローベースフレームワークを提案する。 我々のMSFlowは、検出AUORCスコアが99.7%、ローカライゼーションAUCROCスコアが98.8%、プロスコアが97.1%の新たな最先端技術を実現している。
  論文  参考訳（メタデータ） (2023-08-29T13:38:35Z)
• Simple Adaptive Projection with Pretrained Features for Anomaly Detection [0.0]
  本稿では,単純な線形変換と自己注意を含む新しい適応フレームワークを提案する。 事前訓練した特徴を持つ簡易適応投影法(SAP2)により,新しい異常検出基準が得られた。
  論文  参考訳（メタデータ） (2021-12-05T15:29:59Z)

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。