One-to-More: アテンション制御を用いた高忠実度のトレーニング不要な異常生成

要約：産業用異常検知（AD）は、正常画像が豊富で異常画像が不足している点が特徴である。下流のADタスクのために異常データを増強するための多数の少数ショット異常合成法が提案されているものの、ほとんどの既存アプローチは時間を要する学習を必要とし、実際の異常に忠実な分布を学習するのに苦労しており、その結果、このようなデータで訓練されたADモデルの有効性を制限している。これらの制限に対応するため、訓練不要の少数ショット異常生成法である O2MAG を提案します。これは、1つの参照異常画像における自己注意を利用して、より現実的な異常を合成し、効果的な下流の異常検知を支援します。具体的には、O2MAG は自己注意の付加を介して3つの並行拡散プロセスを操作し、異常マスクを組み込んで前景-背景のクエリ混乱を緩和し、テキスト誘導型の異常を、実際の異常分布に密接に適合させて合成します。エンコードされた異常テキストプロンプトと真の異常意味論との間の意味的ギャップを埋めるため、Anomaly-Guided Optimization（異常誘導最適化）を導入し、合成プロセスをターゲットとする異常分布に合わせて整合させ、現実的でテキストと整合した異常の生成へと導く。さらに、異常マスク内での微弱な異常の合成を抑制するため、生成時にデュアルアテンション強化（Dual-Attention Enhancement）を採用し、マスクされた領域における自己注意と交差注意の両方を強化する。広範な実験により O2MAG の有効性が検証され、下流の AD タスクにおいて従来の最先端手法より優れた性能を示している。