論文の概要: Reproducing INP-Former: Reconstructing Intrinsic Normal Prototypes for Industrial Anomaly Detection

• arxiv url: http://arxiv.org/abs/2611.01230v1
• Date: Sat, 31 Oct 2026 19:56:35 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:16:50.013148
• Title: Reproducing INP-Former: Reconstructing Intrinsic Normal Prototypes for Industrial Anomaly Detection
• Title（参考訳）: INP-Formerの再生:産業用異常検出のための本質的正規プロトタイプの再構成
• Abstract要約: InP-Formerの中心的クレームを再現する。 INP-Formerは、各テスト画像から固有の正規プロトタイプ(INP)を抽出する。 我々は評価をMVTec AD 2に拡張し、デフォルト設定のイメージAUROCは63.4であるのに対して、MVTec ADは99.7である。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: We reproduce the central claims of INP-Former, a reconstruction-based method for multi-class industrial anomaly detection. INP-Former extracts Intrinsic Normal Prototypes (INPs) from each test image and uses them to guide a decoder that reconstructs normal features, without a stored memory bank. Using the authors' released code, we reproduce the reported performance on MVTec AD and VisA and extend the evaluation to MVTec AD 2, where image AUROC with the default settings is 63.4, compared with 99.7 on MVTec AD. On MVTec AD, a five-seed ablation shows that most of the performance comes from the INP mechanism, while the two auxiliary losses add small changes whose direction depends on the metric. A paired comparison with both losses disabled confirms the benefit of INP on MVTec AD 2. The default of six prototypes transfers less well: the plateau beyond four prototypes reproduces on MVTec AD and VisA, but on MVTec AD 2 a single prototype outperforms six in AU-PRO on the public split and on both hidden test splits. We also measure practical trade-offs in resolution, backbone size, training length, and LoRA adaptation, and examine performance by defect size, lighting condition, and a stricter AU-PRO limit. Several conclusions from the original benchmarks, including the default prototype count, do not carry over to harder data. Code: https://github.com/garasnote/Repro-INPFormer
• Abstract（参考訳）: InP-Formerの中心的クレームを再現する。 INP-Formerは、各テストイメージから固有の正規プロトタイプ(INP)を抽出し、記憶されたメモリバンクなしで正常な特徴を再構築するデコーダをガイドする。 筆者らのリリースコードを用いて, MVTec AD と VisA で報告した性能を再現し, 評価を MVTec AD 2 に拡張した。 MVTec ADでは、5列のアブレーションにより、ほとんどの性能はINP機構によるものであることが示され、補助的な2つの損失は、測定値に依存する方向に依存する小さな変化をもたらす。 両障害者との比較により,MVTec AD 2におけるINPの有用性が確認された。 MVTec AD と VisA の4機以上の高原はMVTec AD と VisA で再現されるが、MVTec AD 2 では1機の試作機がパブリック・スプリットと両方のテスト・スプリットでAU-PROで6機を上回った。 また, 分解能, バックボーンサイズ, トレーニング長, LoRA 適応の実用的なトレードオフを測定し, 欠陥サイズ, 照明条件, 厳密なAU-PRO制限による性能評価を行った。 デフォルトのプロトタイプ数を含むオリジナルのベンチマークからのいくつかの結論は、より難しいデータには届かない。 コード:https://github.com/garasnote/Repro-INPFormer

関連論文リスト

• BoRAD: Bootstrap your Own Representations for Multi-class Anomaly Detection [0.0]
  レコンストラクションに基づく異常検出は, 産業検査には魅力的だが, カテゴリー別訓練から1対1設定までスケールアップすることは困難である。 ラベルのないトレーニングフレームワークである textbfBoRAD を提案し,これを表現能力割当問題として扱う。
  論文  参考訳（メタデータ） (2026-06-12T05:29:25Z)
• ShortcutBreaker: Low-Rank Noisy Bottleneck with Global Perturbation Attention for Multi-Class Unsupervised Anomaly Detection [59.89803740308262]
  ShortcutBreakerはMUADタスクのための新しい統合された機能再構成フレームワークである。 ショートカットの問題に対処する2つの重要なイノベーションが特徴だ。 提案手法は,4つのデータセットに対して,99.8%,98.9%,90.6%,87.8%の顕著な画像レベルのAUROCを実現する。
  論文  参考訳（メタデータ） (2025-10-21T06:51:30Z)
• 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)
• FastRef:Fast Prototype Refinement for Few-Shot Industrial Anomaly Detection [18.487111110151115]
  FS-IAD (Few-shot Industrial Anomaly Detection) は, 自動検査システムにおいて重要な課題である。 本稿では,FS-IADのための新規かつ効率的なプロトタイプ改良フレームワークであるFastRefを提案する。 PatchCore、FastRecon、WinCLIP、AnomalyDINOの3つの競合するプロトタイプベースのFS-IADメソッドとFastRefを統合する。
  論文  参考訳（メタデータ） (2025-06-26T15:46:28Z)
• INP-Former++: Advancing Universal Anomaly Detection via Intrinsic Normal Prototypes and Residual Learning [4.40689369060115]
  異常検出は産業検査や診断に不可欠である。 既存のメソッドは通常、トレーニングセットからの通常の参照と比較する'テストイメージに依存します。 Intrinsic Normal Prototypes(INP)を直接抽出する新しい手法であるINP-Formerを提案する。
  論文  参考訳（メタデータ） (2025-06-04T07:49:11Z)
• Tensor Product Attention Is All You Need [61.3442269053374]
  プロダクトアテンション(TPA)は、テンソル分解を使用してクエリ、キー、値をコンパクトに表現する新しいアテンションメカニズムである。 TPAは、メモリ効率とともに改善されたモデル品質を実現する。 TPAに基づいて,シーケンスモデリングのための新しいモデルアーキテクチャであるProducT ATTion Transformer (T6)を紹介する。
  論文  参考訳（メタデータ） (2025-01-11T03:37:10Z)
• Decoupled Prototype Learning for Reliable Test-Time Adaptation [50.779896759106784]
  テスト時間適応(TTA)は、推論中にトレーニング済みのソースモデルをターゲットドメインに継続的に適応させるタスクである。 1つの一般的なアプローチは、推定擬似ラベルによるクロスエントロピー損失を伴う微調整モデルである。 本研究は, 各試料の分類誤差を最小化することで, クロスエントロピー損失の脆弱性がラベルノイズを引き起こすことを明らかにした。 本稿では,プロトタイプ中心の損失計算を特徴とする新しいDPL法を提案する。
  論文  参考訳（メタデータ） (2024-01-15T03:33:39Z)

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。