論文の概要: Do Words Matter? What Text Contributes to Few and Full-Shot Vision-Language Anomaly Detection

• arxiv url: http://arxiv.org/abs/2610.34610v1
• Date: Sun, 25 Oct 2026 22:17:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.646114
• Title: Do Words Matter? What Text Contributes to Few and Full-Shot Vision-Language Anomaly Detection
• Title（参考訳）: 単語は重要か? 視覚・視線の異常検出に寄与するテキストは何か
• Abstract要約: 視覚言語による異常検出器は、テキストによる正常および異常な外観を記述している。 記述の変更はその意味と幾何学の両方を変えるため、精度比較では2つを区別することはできない。 固定されたテキスト埋め込み(アンカー)が、そのような検出にどのような貢献をするのかを尋ねる。
• 参考スコア（独自算出の注目度）: 3.376844646279808
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vision-language anomaly detectors describe normal and abnormal appearance with text, and their gains are commonly credited to the semantic content of these descriptions. This attribution is plausible in the zero-shot setting, but few- and full-shot detectors interpose a trained visual adapter, and in that setting it has not been isolated. Changing a description changes both its meaning and its geometry, so accuracy comparisons cannot separate the two. We ask what a fixed pair of text embeddings, or anchors, contributes to such a detector: semantic content, effective scale, or joint anchor geometry. For a single anchor pair, the answer is effective scale alone. The score reads the anchors only through their difference, and a trained adapter can rotate to follow any replacement direction, leaving that direction, and with it the linguistic content, unidentifiable. We prove that replacement anchors with the same difference-vector length permit exactly the same probability maps and attainable losses. Across seven medical datasets, three vision backbones, both supervision regimes, and three adapter families, scale-matched random and orthogonal anchors track correct prompts; breaking the scale match opens a gap that restoring it closes without text. The same pattern holds in MVFA and when MadCLIP's learned prompts are replaced by a text-free learned scale. When one adapter serves many categories, the answer expands to their joint arrangement. Rotating all category axes together changes nothing, as predicted. For the tested CLIP prompts, these axes are nearly collinear, and meaning-free rotations that spread them apart improve performance on both industrial benchmarks. Even under frozen zero-shot transfer, a random anchor frame transfers as well as the prompt frame: coordinate consistency, not meaning. What these detectors read from their prompts is scale and arrangement, not semantic content.
• Abstract（参考訳）: 視覚言語による異常検出装置は、テキストの正常な外観と異常な外観を記述しており、それらの利点は一般的にこれらの記述のセマンティックな内容に寄与している。 この属性はゼロショット設定では証明可能であるが、訓練されたビジュアルアダプターを介在する全ショット検出器はほとんどなく、その設定では分離されていない。 記述の変更はその意味と幾何学の両方を変えるため、精度比較では2つを区別することはできない。 我々は、固定されたテキスト埋め込み(あるいはアンカー)が、意味的内容、効果的なスケール、関節アンカー幾何学といった検知にどのような寄与するかを問う。 一つのアンカー対に対して、解は単独で有効スケールである。 スコアは相違点を通じてのみ読み取られ、訓練されたアダプタは任意の置換方向に従って回転し、その方向を残し、言語内容は特定できない。 我々は、同じ差分ベクトル長の置換アンカーが全く同じ確率写像と達成可能な損失を許すことを証明した。 7つの医療データセット、ビジョンバックボーン、3つの監督体制、3つのアダプタファミリー、スケールマッチングされたランダムアンカー、直交アンカーは正しいプロンプトを追跡する。 同じパターンはMVFAで保持され、MadCLIPの学習プロンプトがテキストなしの学習スケールに置き換えられる。 1つのアダプタが多くのカテゴリを提供する場合、解答は共同配置にまで拡張される。 すべての圏軸を回転させることは、予測されたように何も変化しない。 テストされたCLIPプロンプトでは、これらの軸はほぼコリニアであり、両産業ベンチマークのパフォーマンスが向上する。 凍結したゼロショット転送の下でも、ランダムアンカーフレームとプロンプトフレームが転送される。 これらの検出器がプロンプトから読み取るものは、意味的な内容ではなく、スケールとアレンジメントである。

関連論文リスト

• One Geometry, Different Outcomes: Readout-Dependent Effects of the Modality Gap in Vision-Language Models [7.136614919394685]
  タスク依存効果の統一的な幾何学的説明を提供する。 ゼロショット分類では、クエリ側固定ギャップオフセットサブトラクションは、正に加法クラスバイアスと同値である。 混合モーダル検索では、ギャップ方向は候補をモダリティでソートする。
  論文  参考訳（メタデータ） (2026-09-28T18:40:27Z)
• New LoRA Skills Should Read but Never Write [13.46422297363417]
  低ランクのアダプタは、タスク毎に大きな言語モデルを微調整するコストを安くする。 しかし、独立に訓練されたアダプタを1つのモデルに組み込むことは依然として困難である。 READ(Read-only Expansion of Delta Adapters)を導入し、両方の選択肢を修正します。
  論文  参考訳（メタデータ） (2026-09-25T17:54:01Z)
• UNMATCH: Selective Unbalanced Token-Patch Matching for Forensic Image-Claim Verification [1.8220929774813663]
  文脈的画像誤用は、画像と誤解を招くクレームをペアリングする。 文脈外再利用,視覚操作,あるいはその両方を含むファクトチェックされたペアにおける画像認識対応について検討する。 両方向の局所像定位親和性を要約したコンパクトな表現である指向性マルチスケールカバレッジを導入する。
  論文  参考訳（メタデータ） (2026-09-24T10:23:23Z)
• Contrastive Projection: Reading Transformer Internals by Differencing Logit Lenses [0.0]
  トレーニング不要のトレーサを使用して、すべての位置、サブレイヤ、ヘッド平均を読みます。 Phi-2の化合物-名詞->アテンション鎖を辿り、活性化パッチによって確認される。 現実と架空のエンティティの検索サーフェスを読み、ドメイン間マッピングの集合としてメタファーを読みます。
  論文  参考訳（メタデータ） (2026-09-09T09:01:09Z)
• Do Image-Text Metrics Respect Semantic Invariances? [32.397351493793416]
  3軸の摂動を意味論的に保存する5つの人気評価器に不変なプローブを提案する。 連続した非意味的感性を見いだし, 空間的編集や簡単なフレーズ変化を平均で$approx$6--9%シフトする。 小さな人間の研究もこの発見を支持し、アノテータがペアを概して同じくらい正しいと判断していることを確認し、これらの変化は意味的変化よりもメートル法的な振る舞いを反映している。
  論文  参考訳（メタデータ） (2026-05-23T18:53:51Z)
• Evaluating Semantic Variation in Text-to-Image Synthesis: A Causal Perspective [50.261681681643076]
  本稿では,SemVarEffectとSemVarBenchというベンチマークを用いて,テキスト・画像合成における入力のセマンティックな変化と出力の因果性を評価する。 本研究は,T2I合成コミュニティによるヒューマンインストラクション理解の探索を促進する効果的な評価枠組みを確立する。
  論文  参考訳（メタデータ） (2024-10-14T08:45:35Z)
• GlueStick: Robust Image Matching by Sticking Points and Lines Together [64.18659491529382]
  本稿では,1つのワイヤフレーム構造にポイント,ライン,ディスクリプタを統一する新たなマッチングパラダイムを提案する。 私たちの戦略は、他のマッチングアプローチよりも優れています。
  論文  参考訳（メタデータ） (2023-04-04T17:58:14Z)
• Neighborhood Contrastive Transformer for Change Captioning [80.10836469177185]
  本研究では,異なる環境下での様々な変化に対するモデルの知覚能力を向上させるために,近傍のコントラスト変換器を提案する。 提案手法は,変化シナリオの異なる3つの公開データセットに対して,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-03-06T14:39:54Z)

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。