論文の概要: Subspace Representations for Synthetic-to-Real Transfer in 3-D Surface Inspection

• arxiv url: http://arxiv.org/abs/2611.02744v1
• Date: Mon, 02 Nov 2026 08:30:09 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:14:04.03289
• Title: Subspace Representations for Synthetic-to-Real Transfer in 3-D Surface Inspection
• Title（参考訳）: 3次元表面検査における部分空間表現
• Abstract要約: 本研究では,3次元表面検査における部分空間表現が合成-現実移動にどのような寄与するかを考察する。 1,197個のMVTec 3D-ADスキャンで、各決定規則は、同じウィンドウAUCで実際の欠陥をランク付けする。 我々は、最も近い部分空間規則のマージンが、そのクラス部分空間の外にある特徴シフトの少なくとも一部によって動くことを示す。
• 参考スコア（独自算出の注目度）: 3.842274380268467
• License:
• Abstract: This paper studies what subspace representations contribute to synthetic-to-real transfer in 3-D surface inspection, where models learn from synthetic defects and the only real data before deployment are scans of good parts. We use three classical constructions as instruments: the nearest-subspace classifier, one-class template subspaces and the generalized difference subspace (GDS). On 1,197 MVTec 3D-AD scans without target annotation we find that every decision rule ranks real defects at a similar window AUC, that image-level detection stays at chance, and that no rule keeps its in-domain threshold. We show that the margin of a nearest-subspace rule moves by at most the part of the feature shift outside its class subspaces, and that this leakage, measured from unlabeled good scans, bounds the displacement observed on unseen scans. On 597 Real3D-AD objects, a one-class subspace of registered templates evaluated at every location on frozen features reaches point AUROC 0.957 on pre-registered scans and a category-mean object AUROC of 78 to 81 with no training on the benchmark. Our results suggest that a subspace helps under shift in proportion to the shift it spans, and that in reference-based inspection the reference and its registration matter more than the subspace.
• Abstract（参考訳）: 本稿では, 3次元表面検査において, モデルが合成欠陥から学習し, 展開前の実際のデータが良い部分のスキャンである場合, 部分空間表現が合成から実への移動にどのような寄与するかを考察する。 楽器として、最も近い部分空間分類器、一階テンプレート部分空間、一般化差分部分空間(GDS)の3つの古典的構成を用いる。 1,197のMVTec 3D-ADスキャンでは、すべての決定ルールが、同じウィンドウAUCで実際の欠陥をランク付けし、画像レベルの検出が偶然に留まり、ドメイン内のしきい値を維持しないことがわかった。 最寄りのサブスペースルールのマージンは、クラスサブスペースの外側のほとんどの部分で移動し、このリークは、ラベルなしの良質なスキャンから測定され、目に見えないスキャンで観測された変位を束縛していることを示す。 597 Real3D-ADオブジェクトでは、凍結した特徴のすべての場所で評価された登録済みテンプレートの1クラスサブスペースが、事前登録されたスキャンでAUROC 0.957に到達し、ベンチマークでトレーニングすることなくカテゴリ平均オブジェクトAUROCが78から81に到達した。 この結果から,部分空間は部分空間のシフトに比例して変化し,参照ベースで参照と登録事項が部分空間よりも大きいことが示唆された。

関連論文リスト

• AT3D-AD: Anomaly Type-Aware 3D Anomaly Detection via Hierarchical Point-Language Alignment [4.222624682912738]
  Anomaly Type-Aware 3D Anomaly Detection (AT3D-AD) は、関節検出、局所化、分類のための統合されたフレームワークである。 AT3D-ADはAUROCの98.1%/98.9%、Real3D-ADでは95.0%/95.2%、Real3D-ADでは74.2%のマクロF1に達している。
  論文  参考訳（メタデータ） (2026-09-22T09:35:12Z)
• Physically Consistent Null Space Alignment for Detection of Low-Magnitude False Data Injection Attacks [11.81457841153631]
  偽データインジェクション攻撃(FDIA)は、インジェクションされた信号がシステムモデルの擬似ヌル空間と一致した場合、電力系統状態推定において大きなずれを引き起こす可能性がある。 既存のモデルおよびデータ駆動検出器は、擬似ヌル空間に隠された変化を無視するため、そのような低マグニチュードだが高インパクト攻撃を識別できない可能性がある。 本稿では,物理ヌル空間と測定から導出される擬似ヌル空間との間の幾何学的対応を前処理により保存し,ステルス性FDIAを検出するフレームワークであるPCNSAを提案する。
  論文  参考訳（メタデータ） (2026-06-07T06:39:09Z)
• OmniLiDAR: A Unified Diffusion Framework for Multi-Domain 3D LiDAR Generation [100.36917520403227]
  本稿では,8つの代表領域にまたがる共有範囲画像表現において,LiDARスキャンを生成する統一テキスト条件拡散フレームワークを提案する。 パブリックな統合ベンチマークがなければ、実世界のスキャンと物理ベース気象シミュレーションとシステマティックビームリダクションを組み合わせた8ドメインデータセットを構築する。
  論文  参考訳（メタデータ） (2026-05-13T17:42:20Z)
• Syn-to-Real Unsupervised Domain Adaptation for Indoor 3D Object Detection [50.448520056844885]
  室内3次元物体検出における非教師なし領域適応のための新しいフレームワークを提案する。 合成データセット3D-FRONTから実世界のデータセットScanNetV2とSUN RGB-Dへの適応結果は、ソースオンリーベースラインよりも9.7%、9.1%のmAP25が顕著に改善されていることを示している。
  論文  参考訳（メタデータ） (2024-06-17T08:18:41Z)
• Contrastive Neighborhood Alignment [81.65103777329874]
  本稿では,学習特徴のトポロジを維持するための多様体学習手法であるContrastive Neighborhood Alignment(CNA)を提案する。 対象モデルは、対照的な損失を用いて、ソース表現空間の局所構造を模倣することを目的としている。 CNAは3つのシナリオで説明される: 多様体学習、モデルが元のデータの局所的なトポロジーを次元還元された空間で維持する、モデル蒸留、小さな学生モデルがより大きな教師を模倣するために訓練される、レガシーモデル更新、より強力なモデルに置き換えられる、という3つのシナリオである。
  論文  参考訳（メタデータ） (2022-01-06T04:58:31Z)
• Low-Rank Subspaces in GANs [101.48350547067628]
  この研究は、GAN生成をより正確に制御できる低ランクな部分空間を導入している。 LowRankGAN は属性多様体の低次元表現を見つけることができる。 さまざまなデータセットでトレーニングされた最先端のGANモデル(StyleGAN2やBigGANなど)の実験は、私たちのLowRankGANの有効性を示しています。
  論文  参考訳（メタデータ） (2021-06-08T16:16:32Z)
• Complete & Label: A Domain Adaptation Approach to Semantic Segmentation of LiDAR Point Clouds [49.47017280475232]
  3次元点雲のセマンティックラベリングにおける教師なし領域適応問題について検討する。 セグメンテーションネットワークに渡す前に、基盤となる表面を復元するためにComplete と Label のアプローチを採用する。 回収された3D表面は標準領域として機能し、そこからセマンティックラベルが異なるLiDARセンサー間で転送される。
  論文  参考訳（メタデータ） (2020-07-16T17:42:05Z)

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。