IAD-Unify：産業異常セグメンテーション、理解、生成のための地域に根ざした統一モデル

要旨: 現実世界の産業検査では、不良を局所化するだけでなく、それらを自然言語で説明し、制御された不良編集を生成することも必要です。しかし、既存の手法では、これら3つの能力を統一的な枠組みと評価プロトコルの中で同時に扱うことができていません。そこで本研究では、IAD-Unifyを提案します。IAD-Unifyは、デュアルエンコーダの統一フレームワークであり、凍結したDINOv2ベースの領域エキスパートが、軽量なトークン注入によって共有されたQwen3.5-4Bの視覚言語バックボーンへ正確な異常エビデンスを供給します。これにより、異常セグメンテーション、領域に根ざした理解、マスク誘導による生成を共同で可能にします。統一された評価を可能にするため、さらにAnomaly-56Kという包括的な統一マルチタスクIAD評価プラットフォームを構築します。Anomaly-56Kは、24カテゴリにわたる59,916枚の画像と104の不良バリアントを含みます。制御されたアブレーション実験により、4つの知見が得られました。(i) 領域グラウンディングは理解における決定的なメカニズムであり、それを取り除くと位置精度が>76 pp低下します。(ii) 予測された領域の性能はオラクルと非常に近く、実運用可能性が確認されます。(iii) 領域に根ざした生成は、全画像の忠実度とマスク領域の知覚品質の両方で最良となります。(iv) 事前初期化された共同学習は、生成コストをほとんど増やさずに理解を改善します（-0.16 dB）。IAD-Unifyはさらに、MMADベンチマークにおいても強い性能を示し、学習中に見たことのないカテゴリを含みながら、カテゴリをまたいだ頑健な汎化を実証しています。