外観検査AIの難所は、評価に使う解像度で入れ替わる

Yuanwei Li, Elizaveta Ivanova, Martins Bruveris, “FADE: Few-shot/zero-shot Anomaly Detection Engine using Large Vision-Language Model”（arXiv:2409.00556, 2024年8月31日投稿）。BMVC 2024 に採択された査読付き論文で、視覚言語モデル CLIP を産業用の異常検知に適応させた。仕組みは多重スケールの画像特徴、テキストプロンプトの自動生成と束ね、参照画像による視覚側の誘導の三つ。ゼロショットの pixel-AUROC は MVTec-AD 89.6%、VisA 91.5%、正常画像を1枚だけ与える 1-normal-shot では MVTec-AD 95.4%、VisA 97.5%。これらは画素単位の位置特定であり、良否判定にあたる画像単位のゼロショット AUROC は MVTec-AD 90.0%、VisA 75.6% と低く、著者らは画像単位（AC）の比較について「ゼロショットの FADE は WinCLIP の再現で新規の追加はない」と明記する（原文 For the zero-shot setting, FADE is a reproduction of WinCLIP without any new additions.。画像単位では WinCLIP 91.8%／78.1% を下回る）。画素単位（AS）は逆である。著者らは逐語 Under zero-shot, FADE significantly outperforms other methods on all metrics for both MVTec-AD and VisA. と書く。ゼロショット画素 AUROC は WinCLIP 85.1%／79.6% に対し FADE 89.6%／91.5%。この二つは同じ §4.1 の隣り合う段落にあるので、前者だけを引くと後者を打ち消してしまう。原典 §5 は自ら適用限界を切っている。その逐語は The vision-guided zero-shot AS constructs the memory bank from its own query image patches. This works well at detecting anomalies in textural images (E.g. leather) that normally contain visually similar patches. However, this works less well and produces false positives for anomaly detection in object images (E.g. transistor) whose patches differ to a greater extent. である。この視覚誘導は §4.1 が 89.6/91.5 の要因として名指しする三部品の一つである。また ChatGPT 生成プロンプトは再現不能と著者らが明記する（逐語 the use of text prompts generated by ChatGPT is not reproducible）。さらに同じ Table 4 の行の F1-max は、ゼロショットで 39.8%（MVTec-AD）／16.7%（VisA）である。 pixel-AUROC が9割でも、しきい値を置いた画素判定はこの水準である（1-normal-shot でも 54.6%／42.3%）。https://arxiv.org/abs/2409.00556 ↩ ↩² ↩³ ↩⁴ ↩⁵ ↩⁶

Uzair Khan, Luigi Capogrosso, Muhammad Aqeel, Francesco Setti, Michele Magno, Marco Cristani, “LiZAD: A Lightweight Zero-Shot Anomaly Detection Framework for Industrial Manufacturing”（arXiv:2607.01949, 2026年7月2日投稿）。IEEE COINS 2026 に採択。DINOv3 の密で空間情報を保った視覚特徴と、計算効率の高い MobileCLIP2 のテキスト埋め込みを、学習可能な射影ヘッドで共通の潜在空間に結合する。最先端のゼロショット異常検知6手法と比べ、メモリ平均61.5%減、パラメータ74.6%減、レイテンシ3.02倍速を達成し、精度の代償はデータセットごとの最良値（手法をまたぐ包絡線）に対する平均 P-AUROC の 6.4 ポイント低下（88.05% 対 約94.5%）。比較先は単一の手法ではない。 表の注記は the best models と複数形で、4データセットの最良値のうち MPDD だけが AdaCLIP、残る3つは Bayes-PFL である。実在する単一の最良手法 Bayes-PFL と並べ直すと平均は93.3%、差は5.25ポイントに縮む。この 6.4 は要旨と本文で意味が違う。 要旨は dropping the average P-AUROC by just 6.4% relative to the best state-of-the-art model、本文は representing only a 6.4 percentage point drop compared to the absolute best-performing baselines（本文側も複数形で、包絡線の読みを二重に裏づける）。Table II から再計算すると 94.475−88.05＝6.425 で、ポイント差のほうが正しい（相対比なら6.8%にあたる）。効率側と精度側で分母が違う点にも注意したい。Table I のキャプションは In green the improvements of LiZAD compared to the average of all the models.（平均）、Table II の注記は In red, the decrease in percentage of LiZAD with respect to the best models.（最良値）。分母を単一最良の Bayes-PFL に揃えると、レイテンシ 338.50÷96.19＝3.52倍速、メモリ 1−1.01÷3.30＝69.4%減、パラメータ 1−97.44÷456.72＝78.7%減となり、代償5.25ポイントと釣り合う組になる。なおレイテンシは要旨が3.02倍速、本文が「平均69.9%減」。両者は同じ量の別表現だが、換算が合わない。 表の6手法の平均レイテンシ290.39ms を LiZAD の96.19ms で割ると3.019倍（＝3.02倍速）で、同じ比を削減率で言えば66.9%減、印字の69.9%とは約3ポイントずれる。同じずれはパラメータ側にもある。 メモリの61.5%は6手法平均に対する比（1−1.01÷2.625＝61.52%）として小数一桁まで再現するが、同じ規則でパラメータを計算すると 1−97.44÷412.01＝76.4%で、印字の74.6%とは1.8ポイントずれる（数字の入れ替わりに見える）。印字の3つのうち再現するのはメモリだけである。データセットは VisA、BTAD、MPDD、MVTec-AD。NVIDIA Jetson NX および Jetson AGX に実装し、ヴェローナ大学 ICE Lab の生産ラインで定性的に試験した（原文 “qualitatively tested”）。そこで著者らが報告するのは精度ではなく速度と電力で、NX が754.6 ms／14.8 W、AGX が554.4 ms／28.5 W。https://arxiv.org/abs/2607.01949 ↩ ↩² ↩³ ↩⁴ ↩⁵ ↩⁶ ↩⁷ ↩⁸

Lars Heckler-Kram, Jan-Hendrik Neudeck, Ulla Scheler, Rebecca König, Carsten Steger（著者の所属はマシンビジョンの商用ベンダー MVTec Software GmbH である。データセットも評価も作成者自身による）, “The MVTec AD 2 Dataset: Advanced Scenarios for Unsupervised Anomaly Detection”（arXiv:2503.21622, 2025年3月27日投稿）。International Journal of Computer Vision に 2026年に掲載された査読付き論文（vol.134 no.4, 2026-03-09, DOI:10.1007/s11263-026-02743-0。arXiv 版の Comments 欄は投稿時点の paper under review のままなので、掲載の確認は DOI 側で取る）。本記事が引く数値と逐語は arXiv 版（2025年3月）のもの。掲載版は arXiv 版の scenario を category と呼び替え（without scenario-specific tuning は without category-specific tuning、eight challenging scenarios は eight object categories）、評価手法に INP-Former（Luo ら 2025）を加えて8手法とした。追加で動くのは AU-PRO（許容0.30）の平均 52.6%→53.1%、許容0.05 の最良 EfficientAD 30.8%→INP-Former 31.6%（Table 7 キャプションは less than 32%）、対象別最良の Vial 63.0%→67.8%・Sheet Metal 18.0%→21.4% で、最良 58.7%・全手法60%未満・Can が最下位・透明と逆光が上位という本記事の読みは掲載版でも変わらない。既存ベンチマーク（MVTec AD、VisA）のセグメンテーション AU-PRO が飽和し、最先端手法が1パーセントポイント未満の範囲で競り合うため意味のある比較ができない、という問題意識で著者らが作った。8つの異常検知シナリオ、8,000枚を超える高解像度画像を含む。評価したのは7手法（PatchCore, RD, RD++, EfficientAD, MSFlow, SimpleNet, DSR）で、いずれも正常画像だけで学習する教師なし手法である（逐語 In line with the unsupervised setting, the training and validation sets contain only non-anomalous data.）。ゼロショットの視覚言語モデルは評価に入っておらず、掲載版は Limitations でそれを自ら挙げる（逐語 since our primary focus was to develop a challenging dataset for single-modality vision models, assessing vision-language models (VLMs) such as WinCLIP (Jeong et al., 2023) and AnomalyGPT (Gu et al., 2024) could offer valuable insights into their performance on MVTec AD 2.）。付録 D.2 では GPT-4o-mini と Gemini 2.5 Flash を一部の対象の画像に定性的に当て、前者は lags notably behind that of specialized anomaly detection models、後者は the precision and consistency of the defect localization remain limited compared to dedicated anomaly segmentation approaches と書く。7手法の結果として、AU-PRO（許容0.30）はどの手法も60%に届かない（最良58.7%、平均52.6%）。著者らは許容0.30を「より寛容な設定」と呼び（逐語 the more tolerant evaluation setting）、本ベンチマークの主指標である許容0.05では全手法が31%未満（最良 EfficientAD 30.8%）と述べる。Table 7 のキャプションは逐語 All methods achieve less than 31% segmentation performance on the TESTpriv of MVTec AD 2. である（なお結論部は同じ事実を even below approximately 30% と緩く書いており、30.8% を含む言い方としてはキャプション側が正確）。いずれも8対象を平均した手法単位の値である。難条件として要旨は透明・重なり、暗視野・逆光照明、正常データのばらつき、極小欠陥を挙げ、結論部では画像全域・画像端の欠陥も加える。ただし対象別の結果は掲げた難条件と一致しない。 許容0.05・非公開テストの手法横断最良値で Vial 63.0%／Fruit Jelly 54.4%（ともに逆光）が8対象中1・2位、低いのは Can 13.9%（金属反射）、Sheet Metal 18.0%、Wall Plugs 20.3%、Fabric 22.2% である。測った結果の議論で著者らが名指しするのも Can だけ（逐語 The object Can is especially challenging for the investigated state-of-the-art models.）。ただし難条件の割り当て自体は8対象すべてにある。 根拠は §3.1 の逐語 The bulk goods scenarios (Wall Plugs, Walnuts, Rice) involve overlapping and occluded objects ... Textured objects (Fabric, Sheet Metal) were chosen for the high variability in their normal data. Reflective metal objects (Sheet Metal, Can) and transparent objects (Vial, Fruit Jelly) introduce additional challenges due to reflections and distortions, respectively. と Table 3（main challenges associated with each MVTec AD 2 object）である。本記事の対象と条件の対応はこの §3.1 の割り当てに拠る。著者らはテストデータを3分割し、うち2つは正解データが非公開である。非公開側の一方は照明条件を変えてあり分布のずれへの頑健性も評価できる。https://arxiv.org/abs/2503.21622 本記事が引く対象別 AU-PRO は、論文の既定条件である 256×256 に縮小した評価の値である（逐語 images are resized to 256 × 256 pixels）。同論文は原寸の半分での再評価も付録に載せており、そこでは Fabric が 82.9 に達するなど順位が入れ替わる（この表は学習時間の都合で DSR が Rice 以外未評価のため包絡線は6手法ぶん。DSR は 256×256 で Can・Sheet Metal の最良値を出していた手法なので、欠測は最良値を下げる向きにしか効かず結論は変わらない）。結論部の逐語は Although performance on MVTec AD 2 can generally be increased by using larger image sizes, we highlighted the necessity of efficiently scaling up current models with respect to runtime and memory consumption である。解像度を上げれば成績は上がるが、実行時間とメモリの制約が別途かかる、という両面である。ここでの画像サイズはカメラの画素数ではない。2.6〜5 メガピクセルで撮影済みの画像（逐語 from 2.6 to 5 megapixels）を、モデルへ入れる前にどこまで縮めるかの設定である（逐語 we conducted experiments with an increased input size up to half the original image height and width）。理由は §4.3.3 に著者らの仮説として在る——逐語 our dataset design focused on small and low-contrast defects, we hypothesized that certain anomalies simply disappear during the preprocessing to scale the images to the current standard setting of an image size of 256 × 256、代償は the inference runtime and memory consumption drastically increase by more than an order of magnitude。原寸の半分の表（arXiv 版 Table 11）で最下位に残るのは Can（手法横断の最良 26.6）だけで、§3.1 が同じく反射する金属に分類した Sheet Metal は 72.4 で8対象中5位まで上がる（512×512 の Table 10 でも Can 24.2 が最下位）。ただし Can の通常照明は拡散で（逐語 The can is positioned in front of a white paper, which helps to create a diffuse and even illumination.）、鏡面ハイライトはテスト用に足したものである（逐語 For the acquisition of the test data, two additional spotlights are directed at the can to generate specular highlights on its metallic surface and its label.）。付録は照明変化を TESTpub と TESTpriv,mix に限ると書き（逐語 For inducing lighting condition changes in the test data, i.e., TESTpub and TESTpriv,mix）、TESTpriv は学習と同じ照明である（逐語 TESTpriv includes images with the same lighting conditions as the training set.）。Table 3 は Can の難しさを tiny defects on a textured surface・light reflections・high variability in the normal data due to rotation of the cans の3つとする。照明を変えた TESTpriv,mix では、原寸の半分での Can の最良値が 15.8 に下がる。 https://doi.org/10.1007/s11263-026-02743-0 ↩ ↩² ↩³ ↩⁴ ↩⁵ ↩⁶ ↩⁷ ↩⁸ ↩⁹ ↩¹⁰ ↩¹¹ ↩¹² ↩¹³ ↩¹⁴

Yuanting Fan, Jun Liu, Xiaochen Chen, Bin-Bin Gao, Jian Li, Yong Liu, Jinlong Peng, Chengjie Wang, “Towards Fine-Grained Vision-Language Alignment for Few-Shot Anomaly Detection”（arXiv:2510.26464, 2025年10月30日投稿）。査読誌 Pattern Recognition に掲載された（Elsevier, vol.178, 論文番号 113316, DOI:10.1016/j.patcog.2026.113316。Crossref のレコード作成は 2026-02-27、号は2026年10月。DBLP journals/pr/FanLCGLLPW26 も一致し、著者8名まで同じ）。arXiv 版（v1）の Comments 欄は 12 pages, 7 figures のままで採択を示さないため、掲載の確認は DOI 側で取る。本記事が引く数値は arXiv 版のもの。画像の説明文と画素パッチ単位の視覚的異常のあいだの意味的な不一致を問題とし、従来手法は画像全体を指す説明文しか事前定義できず各パッチトークンに突き合わせるため、詳細な記述を欠いて位置特定が最適でなくなると指摘する。原典が言う粒度は欠陥の大きさではなく視覚成分の意味的粒度である。 逐語は the above methods still stay at a image-level view and fail to dive into the fine-grained perception (e.g., pins, resistors in PCB) および fail to penetrate to the component-level perceptual granularity である。原典は欠陥の微小さについては述べていない。多段階のテキスト記述を生成する MFSC と、多段階の学習可能プロンプトおよび多段階の意味整合からなる FineGrainedAD を提案し、MVTec-AD と VisA の few-shot 設定で優れた性能を示したとする。要旨に数値は無いが、本文 Table 1 が image/pixel AUROC を報告しており（例: 91.04/95.49、94.51/96.71）、§4.2 は逐語 outperforms existing methods on pixel-level AUROC in three few-shot settings without the burden of auxiliary training data と述べる。優位は画素単位の側である。 https://arxiv.org/abs/2510.26464 ↩ ↩²