논문 정보
- 날짜:
2026-04-12 - 카테고리: -
- 우선순위 점수: 0.1
핵심 요약
DINOv2와 같은 시각 기반 모델(VFM)을 제로샷 이상 탐지에 활용하기 위해 AnomalyVFM 프레임워크를 제안합니다. 3단계 합성 데이터 생성 기법과 저차원 피처 어댑터를 결합하여 기존 시각-언어 모델(VLM) 기반 방식의 성능 한계를 극복했습니다. RADIO 백본을 사용하여 9개 데이터셋에서 평균 94.1%의 AUROC를 기록하며 기존 최고 성능을 경신했습니다.학습자 관점 포인트
- 우리 팀 영향: 도메인별 학습 데이터 없이도 높은 정확도의 이상 탐지가 가능해져 제조 공정 및 보안 시스템의 범용성을 크게 향상시킬 수 있습니다.
- 권장 액션: 실험
- 액션 근거: 합성 데이터 생성 및 파라미터 효율적 어댑터 구조가 기존 VFM의 제로샷 성능을 유의미하게 끌어올렸음을 입증했기 때문입니다.
원문 링크
- arXiv: https://arxiv.org/abs/2601.20524
- Hugging Face Papers: https://huggingface.co/papers/2601.20524