論文の概要: Fault-Guided Cross-Layer Prediction for Unsupervised Anomaly Detection

• arxiv url: http://arxiv.org/abs/2611.08140v1
• Date: Thu, 05 Nov 2026 15:03:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-07 04:55:13.554525
• Title: Fault-Guided Cross-Layer Prediction for Unsupervised Anomaly Detection
• Title（参考訳）: 教師なし異常検出のためのフォールトガイド型クロスレイア予測
• Abstract要約: 本研究では,あるブロックが他ブロックに渡せる情報を問う単一クラス検出器を提案する。 有向予測器はトークン上でブロックからブロックまでの隠れ状態遷移をポイントワイズに学習する。 フォールト構造はソースとターゲットの役割を修正し、同じルールはViT-BとRADIO-Bに転送される。
• 参考スコア（独自算出の注目度）: 2.93108551222396
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Feature reconstruction is widely used for unsupervised industrial anomaly detection in the single-class setting, where only normal images from one product category are available for training. We propose a single-class detector that asks what information one block can pass to another. We treat the depth of a frozen vision transformer as a sequence of discrete transitions. A directed predictor learns a block-to-block hidden-state transition pointwise over tokens. Adjacent-layer cosine similarity exposes four sharp fault lines in DINOv2 ViT-L, separating stable depth segments. The deepest blocks retain semantic context but lose local detail; a prediction from deep or shallow sources to sensitive targets therefore exposes the information that cannot be transported. The fault structure fixes the source and target roles, and the same rule transfers to ViT-B and RADIO-B. We use a bounded foreground prior calibrated solely on training images: it attenuates background evidence without also erasing defects outside the estimated foreground. Using one predictor architecture and a common training-only calibration protocol, image AUROC is 99.75 on MVTec-AD, 99.42 on VisA and 94.27 on Real-IAD. On Real-IAD the object-level AUROC is 96.26. At 256x256 pixel resolution, P-AUROC/P-AUPRO are 98.46/95.97 on MVTec-AD, 99.21/96.12 on VisA and 99.26/96.59 on Real-IAD.
• Abstract（参考訳）: 特徴再構成は、1つの製品カテゴリからの正常な画像のみをトレーニングできる単一クラス設定において、教師なしの産業異常検出に広く用いられている。 本研究では,あるブロックが他ブロックに渡せる情報を問う単一クラス検出器を提案する。 凍結した視覚変換器の深さを離散遷移の列として扱う。 有向予測器はトークン上でブロックからブロックまでの隠れ状態遷移をポイントワイズに学習する。 隣接層のコサイン類似性は、DINOv2 ViT-Lの4つの鋭い断層線を露出し、安定した深さセグメントを分離する。 最も深いブロックは意味的コンテキストを保持するが、局所的な詳細を失う。 障害構造はソースとターゲットの役割を修正し、同じルールがViT-BとRADIO-Bに転送される。 トレーニング画像のみに校正された有界前景を用いており、推定前景の外側の欠陥を消去することなく背景証拠を減衰させる。 1つの予測アーキテクチャと一般的なトレーニング専用キャリブレーションプロトコルを使用して、画像AUROCはMVTec-ADで99.75、VisAで99.42、Real-IADで94.27である。 Real-IADでは、オブジェクトレベルのAUROCは96.26である。 256x256ピクセル解像度のP-AUROC/P-AUPROは、MVTec-ADで98.46/95.97、VisAで99.21/96.12、Real-IADで99.26/96.59である。

関連論文リスト

• Cross-Encoder Anchor Refinement for Zero-Shot Anomaly Detection [41.30569671191971]
  本稿では,2つの視覚的符号化経路をアンカーステージで接続するクロスエンコーダ・アンカー・リファインメント(CEAR)を提案する。 CEARは、画像レベルの検出と画素レベルのローカライゼーションにまたがる68評価のうち、57で最高のパフォーマンスを達成している。 本研究では,アンカーステージにおける相互エンコーダ相互作用が,微粒な異常な局所化のための相補的視覚表現とどのように組み合わさることができるかを示す。
  論文  参考訳（メタデータ） (2026-10-29T09:56:26Z)
• COMPASS: Contextual Moment Prior Alignment for Generalizable AIGI Detection [87.91469665365304]
  一般化可能なAI生成画像(AIGI)とディープフェイク検出は、非対称性現象のため難しいままである。 最近の部分空間適応法は、残留部分空間を適応させながら高次主成分を凍結することによりこの問題を軽減する。 本稿では,小さなSemantic Proxy Setを用いて,ターゲットのアクティベーション統計を推定するデータ認識サブスペース適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-10-13T09:23:12Z)
• A Source Domain is All You Need: Source-Only Cross-OS Transfer Learning for APT Anomaly Detection via Semantic Alignment and Optimal Transport [3.005222044503286]
  本稿では,ソースのみのクロスOSAPT検出問題について,システムレベルのプロファイランストレースを用いて検討する。 本稿では,ゼロ目標監督下での異常対象プロセスのランク付けのためのトランスポートベースフレームワークを提案する。 提案フレームワークはソースのみの異常検出ベースラインよりもROC-AUCとnDCGを改善する。
  論文  参考訳（メタデータ） (2026-06-08T22:13:42Z)
• AnomalySD: Few-Shot Multi-Class Anomaly Detection with Stable Diffusion Model [7.942354689705658]
  異常検出は製造業において重要な課題であり、製品の欠陥部分を特定することを目的としている。 ほとんどの産業的異常検出法は、訓練に十分な正規データが存在することを前提としている。 本稿では,安定拡散モデルを用いた数発のマルチクラス異常検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-04T08:33:44Z)
• Lazy Layers to Make Fine-Tuned Diffusion Models More Traceable [70.77600345240867]
  新たな任意の任意配置(AIAO)戦略は、微調整による除去に耐性を持たせる。 拡散モデルの入力/出力空間のバックドアを設計する既存の手法とは異なり,本手法では,サンプルサブパスの特徴空間にバックドアを埋め込む方法を提案する。 MS-COCO,AFHQ,LSUN,CUB-200,DreamBoothの各データセットに関する実証研究により,AIAOの堅牢性が確認された。
  論文  参考訳（メタデータ） (2024-05-01T12:03:39Z)
• DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
  本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。 画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-12-11T18:38:28Z)
• URCDC-Depth: Uncertainty Rectified Cross-Distillation with CutFlip for Monocular Depth Estimation [24.03121823263355]
  本稿では,トランスフォーマーと畳み込みニューラルネットワーク(CNN)間の不確かさを補正し,統合された深度推定器を学習する。 具体的には、TransformerブランチとCNNブランチの深さ推定を擬似ラベルとして使い、互いに教え合う。 そこで本研究では,深度推定のための垂直画像位置とは別に,より有用な手がかりを活用できる,驚くほどシンプルで効果的なデータ拡張手法であるCutFlipを提案する。
  論文  参考訳（メタデータ） (2023-02-16T08:53:08Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• DAAIN: Detection of Anomalous and Adversarial Input using Normalizing Flows [52.31831255787147]
  我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。 本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。 当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
  論文  参考訳（メタデータ） (2021-05-30T22:07:13Z)
• CutPaste: Self-Supervised Learning for Anomaly Detection and Localization [59.719925639875036]
  通常のトレーニングデータのみを用いて異常検知器を構築するためのフレームワークを提案する。 まず、自己教師付き深層表現を学習し、学習した表現の上に生成的1クラス分類器を構築する。 MVTec異常検出データセットに関する実証研究は,提案アルゴリズムが実世界の様々な欠陥を検出可能であることを実証している。
  論文  参考訳（メタデータ） (2021-04-08T19:04:55Z)

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。