Buchumschlag

Meta Learning-Driven Iterative Refinement for Robust Anomaly Detection in Industrial Inspection

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Aqeel, Muhammad, Sharifi, Shakiba, Cristani, Marco, Setti, Francesco
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computer Vision and Pattern Recognition Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Self-Supervised Iterative Refinement for Anomaly Detection in Industrial Quality Control
von: Aqeel, Muhammad, et al.
Veröffentlicht: (2024)

Robust Anomaly Detection in Industrial Environments via Meta-Learning
von: Aqeel, Muhammad, et al.
Veröffentlicht: (2025)

Towards Real Unsupervised Anomaly Detection Via Confident Meta-Learning
von: Aqeel, Muhammad, et al.
Veröffentlicht: (2025)

A Contrastive Learning-Guided Confident Meta-learning for Zero Shot Anomaly Detection
von: Aqeel, Muhammad, et al.
Veröffentlicht: (2025)

Anomaly-Aware Vision-Language Adapters for Zero-Shot Anomaly Detection
von: Aqeel, Muhammad, et al.
Veröffentlicht: (2026)

Diffusion-based Image Generation for In-distribution Data Augmentation in Surface Defect Detection
von: Capogrosso, Luigi, et al.
Veröffentlicht: (2024)

Diffusion-Based Data Augmentation for Medical Image Segmentation
von: Nazir, Maham, et al.
Veröffentlicht: (2025)

Leveraging Latent Diffusion Models for Training-Free In-Distribution Data Augmentation for Surface Defect Detection
von: Girella, Federico, et al.
Veröffentlicht: (2024)

ExDD: Explicit Dual Distribution Learning for Surface Defect Detection via Diffusion Synthesis
von: Aqeel, Muhammad, et al.
Veröffentlicht: (2025)

RoadFusion: Latent Diffusion Model for Pavement Defect Detection
von: Aqeel, Muhammad, et al.
Veröffentlicht: (2025)

Adversarially Robust Industrial Anomaly Detection Through Diffusion Model
von: Cao, Yuanpu, et al.
Veröffentlicht: (2024)

Enhancing Split Computing and Early Exit Applications through Predefined Sparsity
von: Capogrosso, Luigi, et al.
Veröffentlicht: (2024)

Is SAM3 ready for pathology segmentation?
von: Kong, Qiuyu, et al.
Veröffentlicht: (2026)

Textile Anomaly Detection: Evaluation of the State-of-the-Art for Automated Quality Inspection of Carpet
von: Forsberg, Briony, et al.
Veröffentlicht: (2024)

Tailored Transformation Invariance for Industrial Anomaly Detection
von: Schönfeld, Mariette, et al.
Veröffentlicht: (2025)

Supervised Anomaly Detection for Complex Industrial Images
von: Baitieva, Aimira, et al.
Veröffentlicht: (2024)

Architecture-Aware Explanation Auditing for Industrial Visual Inspection
von: Jia, Sibo, et al.
Veröffentlicht: (2026)

IterMask3D: Unsupervised Anomaly Detection and Segmentation with Test-Time Iterative Mask Refinement in 3D Brain MR
von: Liang, Ziyun, et al.
Veröffentlicht: (2025)

Uncertainty Driven Active Learning for Image Segmentation in Underwater Inspection
von: Marnet, Luiza Ribeiro, et al.
Veröffentlicht: (2024)

Multimodal Abstractive Summarization of Instructional Videos with Vision-Language Models
von: Nazir, Maham, et al.
Veröffentlicht: (2026)

Well Googled is Half Done: Multimodal Forecasting of New Fashion Product Sales with Image-based Google Trends
von: Skenderi, Geri, et al.
Veröffentlicht: (2021)

MDiFF: Exploiting Multimodal Score-based Diffusion Models for New Fashion Product Performance Forecasting
von: Avogaro, Andrea, et al.
Veröffentlicht: (2024)

Dif4FF: Leveraging Multimodal Diffusion Models and Graph Neural Networks for Accurate New Fashion Product Performance Forecasting
von: Avogaro, Andrea, et al.
Veröffentlicht: (2024)

Collaborative Learning of Anomalies with Privacy (CLAP) for Unsupervised Video Anomaly Detection: A New Baseline
von: Al-lahham, Anas, et al.
Veröffentlicht: (2024)

Revisiting Deep Feature Reconstruction for Logical and Structural Industrial Anomaly Detection
von: Patra, Sukanya, et al.
Veröffentlicht: (2024)

Multi-Flow: Multi-View-Enriched Normalizing Flows for Industrial Anomaly Detection
von: Kruse, Mathis, et al.
Veröffentlicht: (2025)

Rethinking Continual Anomaly Detection on the Edge: Benchmarking Under Realistic Industrial Conditions
von: Weatherly, Chad, et al.
Veröffentlicht: (2026)

New Fashion Products Performance Forecasting: A Survey on Evolutions, Models and Emerging Trends
von: Avogaro, Andrea, et al.
Veröffentlicht: (2025)

DFIR-DETR: Frequency-Domain Iterative Refinement and Dynamic Feature Aggregation for Small Object Detection
von: Gao, Bo, et al.
Veröffentlicht: (2025)

PUAD: Frustratingly Simple Method for Robust Anomaly Detection
von: Sugawara, Shota, et al.
Veröffentlicht: (2024)

Fast Samplers for Inverse Problems in Iterative Refinement Models
von: Pandey, Kushagra, et al.
Veröffentlicht: (2024)

Multi-Camera Industrial Open-Set Person Re-Identification and Tracking
von: Cunico, Federico, et al.
Veröffentlicht: (2024)

A Fast, Scalable, and Robust Deep Learning-based Iterative Reconstruction Framework for Accelerated Industrial Cone-beam X-ray Computed Tomography
von: Pramanik, Aniket, et al.
Veröffentlicht: (2025)

LogiCode: an LLM-Driven Framework for Logical Anomaly Detection
von: Zhang, Yiheng, et al.
Veröffentlicht: (2024)

PatchGuard: Adversarially Robust Anomaly Detection and Localization through Vision Transformers and Pseudo Anomalies
von: Nafez, Mojtaba, et al.
Veröffentlicht: (2025)

Multi-feature Reconstruction Network using Crossed-mask Restoration for Unsupervised Industrial Anomaly Detection
von: Wang, Junpu, et al.
Veröffentlicht: (2024)

SplatPose & Detect: Pose-Agnostic 3D Anomaly Detection
von: Kruse, Mathis, et al.
Veröffentlicht: (2024)

Efficient Training of Deep Networks using Guided Spectral Data Selection: A Step Toward Learning What You Need
von: Sharifi, Mohammadreza, et al.
Veröffentlicht: (2025)

IMPROVE: Iterative Model Pipeline Refinement and Optimization Leveraging LLM Experts
von: Xue, Eric, et al.
Veröffentlicht: (2025)

MindfulLIME: A Stable Solution for Explanations of Machine Learning Models with Enhanced Localization Precision -- A Medical Image Case Study
von: Rahimiaghdam, Shakiba, et al.
Veröffentlicht: (2025)