ArcAD: Anomaly-Rectified Calibration for Cold-Start Supervised Anomaly Detection
Rattachement africain : cn, us, au, in. Niveau de preuve : code pays fourni par la source.
Le résumé fourni par la source
The deployment of Industrial Anomaly Detection (IAD) in real-world manufacturing frequently encounters a challenging cold-start bottleneck, in which limited normal samples fail to represent the full normal distribution and only a few anomalies are available. Under such a regime, existing methods struggle to form compact normal boundaries and fail to effectively exploit supervised signals from rare defects. To address this challenge, we propose Anomaly-Rectified Cold-start AD (ArcAD), a plug-and-play calibration framework for reconstruction-based IAD baselines. ArcAD follows a push-pull learning paradigm to construct a compact and discriminative normal boundary under data scarcity. On the one hand, ArcAD projects limited normal samples onto a hypersphere and pulls them into multiple compact clusters to maximize coverage of the normal manifold. On the other hand, it synthesizes pseudo-anomalies on the hypersphere and leverages real anomalies to push the boundary inward and sharpen anomaly discrimination. Extensive experiments on MVTec-AD, VisA, Real-IAD, and MANTA demonstrate that ArcAD significantly outperforms state-of-the-art supervised and unsupervised methods in both single-class and multi-class settings under cold-start conditions. Code is available at: https://github.com/LGC-AD/ArcAD.
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Le contrôle bibliographique ouvert
Où se fait cette recherche
-
Harbin Institute of Technology pays non établi dans la noticeUniversité ou école supérieure
-
Matrix Research (United States) pays non établi dans la noticeEntreprise
-
UNSW Sydney pays non établi dans la noticeUniversité ou école supérieure
-
Tsinghua University pays non établi dans la noticeUniversité ou école supérieure
-
Centre for Artificial Intelligence and Robotics pays non établi dans la noticeStructure de recherche
-
DZ-Matrix pays non établi dans la noticeInstitution
-
Faculty of Computing pays non établi dans la noticeUniversité ou école supérieure
-
University of New South Wales pays non établi dans la noticeUniversité ou école supérieure
-
School of Biomedical Engineering pays non établi dans la noticeUniversité ou école supérieure
-
School of Artificial Intelligence and Robotics pays non établi dans la noticeUniversité ou école supérieure
-
Central South University Big data institute pays non établi dans la noticeUniversité ou école supérieure
-
Chongqing Research Institute of HIT pays non établi dans la noticeStructure de recherche
Harbin Institute of Technology, Matrix Research (United States) et UNSW Sydney, avec 9 autres affiliations.
Une affiliation ne permet pas de déduire la nationalité d’un auteur.