論文の概要: VerdictAD: Few-Shot Anomaly Detection via Decision-Guided Refinement

• arxiv url: http://arxiv.org/abs/2611.02654v1
• Date: Mon, 02 Nov 2026 07:15:42 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:52:48.899967
• Title: VerdictAD: Few-Shot Anomaly Detection via Decision-Guided Refinement
• Title（参考訳）: VerdictAD: Decision-Guided Refinementによるわずかなショット異常検出
• Abstract要約: 既存の異常検知器を視覚的決定によって洗練する,トレーニング不要のフレームワークであるVerdictADを紹介した。 既存の検出器を置き換える代わりに、VerdictADでは、クエリイメージとそのローカルリージョンを評価するための型付き決定モデルを採用している。 Global Verdict Refinement (GVR)は画像レベルの決定を使用して全体の異常スコアを洗練し、Local Verdict Refinement (LVR)は局所的な決定を集約して異常マップを洗練させる。
• 参考スコア（独自算出の注目度）: 64.96691084133998
• License:
• Abstract: Detecting defects in real-world industrial inspection often requires learning from only a few normal images per category. Recent few-shot anomaly detection methods have achieved strong performance by measuring feature differences between query images and normal references. However, visual differences do not always indicate genuine defects, as normal appearance variations can also produce high anomaly scores. Conversely, structural or logical anomalies may not produce strong local feature differences, making them difficult to detect. To address this limitation, we introduce VerdictAD, a training-free framework that refines existing anomaly detectors through visual decisions. Rather than replacing existing detectors, VerdictAD adopts a typed decision model to assess the query image and its local regions against a few normal references. By directly producing structured decision probabilities without text generation, the model provides complementary evidence for refining anomaly responses at different spatial scales. Building on this capability, we introduce two modules: Global Verdict Refinement (GVR) uses image-level decisions to refine the overall anomaly score, while Local Verdict Refinement (LVR) aggregates regional decisions to refine the anomaly map. Combined with a simple DINOv2-based detector, VerdictAD achieves competitive performance in one-shot and few-shot anomaly detection. More importantly, as a plug-and-play framework, it consistently improves existing anomaly detectors across MVTec AD, VisA, and MVTec LOCO AD, achieving strong results across one-shot and few-shot settings. Our code and experimental logs are publicly available at https://github.com/sgstq0811/VerdictAD-Jev-AD.
• Abstract（参考訳）: 実世界の産業検査で欠陥を検出するには、各カテゴリの通常の画像から学ぶ必要があることが多い。 最近の数発の異常検出手法は,クエリ画像と通常の参照の特徴差を計測することによって,高い性能を実現している。 しかし、視覚的な違いは必ずしも真の欠陥を示すものではない。 逆に、構造的または論理的異常は、強い局所的な特徴差を生じさせないため、検出が困難である。 この制限に対処するために、既存の異常検出を視覚的決定によって洗練するトレーニング不要のフレームワークであるVerdictADを紹介します。 既存の検出器を置き換える代わりに、VerdictADでは、クエリイメージとそのローカルリージョンをいくつかの通常の参照に対して評価する型付き決定モデルを採用している。 テキスト生成なしで構造化された決定確率を直接生成することにより、異なる空間スケールでの異常応答を補足する証拠を提供する。 この能力に基づいて、GVR(Global Verdict Refinement)は画像レベルの決定を使用して全体の異常スコアを洗練し、LVR(Local Verdict Refinement)は局所的な決定を集約して異常マップを洗練します。 単純なDINOv2ベースの検出器と組み合わせて、VerdictADは単発および数発の異常検出において競合性能を達成する。 さらに重要なのは、プラグイン・アンド・プレイのフレームワークとして、MVTec AD、VisA、MVTec LOCO ADにまたがる既存の異常検知器を一貫して改善し、ワンショットと数ショット設定で強力な結果が得られることだ。 私たちのコードと実験ログはhttps://github.com/sgstq0811/VerdictAD-Jev-ADで公開されています。

関連論文リスト

• Industrial Anomaly Detection via Defect-Grounded Reasoning in Visual Latent Space [10.23557887038366]
  Anomaly-LRは、きめ細かい検査のための欠陥基底の潜伏推論フレームワークである。 IAD-LR-22K は遅延推論のために設計された最初の IAD 命令データセットである。 Anomaly-LRは、同等のスケールのメソッド間で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-09-24T12:11:18Z)
• XMatchAD: A Cross-Modal Matching Perspective on Reconstruction-based Anomaly Detection [30.401044523780723]
  XMatchADは、疑似クロスモーダルマッチングの観点からタスクを再解釈する新しいUADフレームワークである。 提案手法は,マルチクラスの異常検出と局所化において,優れた性能,最先端の手法よりも優れた性能を実現している。
  論文  参考訳（メタデータ） (2026-07-26T13:47:10Z)
• Unified Unsupervised Anomaly Detection via Matching Cost Filtering [113.43366521994396]
  教師なし異常検出(UAD)は、通常のトレーニングデータのみを用いて画像レベルの異常と画素レベルの異常を識別することを目的としている。 UADモデルの異常コスト量を補正するための汎用的なポストホック精錬フレームワークであるUnified Cost Filtering (UCF) を提案する。
  論文  参考訳（メタデータ） (2025-10-03T03:28:18Z)
• Can I trust my anomaly detection system? A case study based on explainable AI [0.4416503115535552]
  本稿では,変分自己エンコーダ生成モデルに基づく異常検出システムのロバスト性について検討する。 目標は、再構成の違いを利用する異常検知器の実際の性能について、異なる視点を得ることです。
  論文  参考訳（メタデータ） (2024-07-29T12:39:07Z)
• View-Invariant Pixelwise Anomaly Detection in Multi-object Scenes with Adaptive View Synthesis [0.0]
  我々は、教師なし、画素ワイドな異常位置検出のタスクとして、シーン異常検出(Scene Anomaly Detection, Scene AD)を導入し、フォーマル化する。 ToyCityは,最初のマルチオブジェクト・マルチビューリアルタイム画像データセットである。 実験の結果,OmniADは拡張ビューで使用すると,逆蒸留よりも64.33%の画素幅(F_1)のスコアが増大することがわかった。
  論文  参考訳（メタデータ） (2024-06-26T01:54:10Z)
• Open-Vocabulary Video Anomaly Detection [57.552523669351636]
  監視の弱いビデオ異常検出(VAD)は、ビデオフレームが正常であるか異常であるかを識別するためにビデオレベルラベルを利用する際、顕著な性能を達成した。 近年の研究は、より現実的な、オープンセットのVADに取り組み、異常や正常なビデオから見えない異常を検出することを目的としている。 本稿ではさらに一歩前進し、未確認および未確認の異常を検知・分類するために訓練済みの大規模モデルを活用することを目的とした、オープン語彙ビデオ異常検出(OVVAD)について検討する。
  論文  参考訳（メタデータ） (2023-11-13T02:54:17Z)
• AnoViT: Unsupervised Anomaly Detection and Localization with Vision Transformer-based Encoder-Decoder [3.31490164885582]
  我々は,画像パッチ間のグローバルな関係を学習することにより,通常の情報を反映する視覚変換器を用いたエンコーダデコーダモデルAnoViTを提案する。 提案モデルは,3つのベンチマークデータセット上での畳み込みモデルよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2022-03-21T09:01:37Z)

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。