Newest papers

Agentic Ensemble with Vision-Language Models for Visual Anomaly Detection

Shangquan Sun, Wenjun Luo, Xu He, Yoonsoo Lee, Shijian Lu · 2026 · arXiv

DOI: 10.48550/arXiv.2610.28560 · open-access PDF

German

Visuelle Anomalie-Erkennung zielt darauf ab, abnormale Objekte zu erkennen, während Anomalie-Proben während des Modelltrainings oft selten sind. Die Montage mehrerer vorgetrainerter Detektoren kann helfen, indem sie ihre übertragbaren Bildpunkte und Anomalie-Karten nutzen. Allerdings wenden die meisten bestehenden Ensemble-Methoden feste Fusionsregeln über gespeicherte Vorhersagen an, die kämpfen, wenn vorgetrainerte Detektoren aufgrund verschiedener Trainingsziele, Priors und visueller Repräsentationen eindeutig nicht einverstanden sind. Zu diesem Zweck entwerfen wir AnomalyAgent, ein Fusion-Framework nach dem Training für genaue visuelle Anomalie-Erkennung.

Machine translation (Meta M2M100); the English original follows.

Abstract

Visual anomaly detection aims to detect abnormal objects, while anomaly samples are often scarce during model training. Assembling multiple pretrained detectors can help by leveraging their transferable image scores and anomaly maps. However, most existing ensemble methods apply fixed fusion rules over saved predictions which struggle when pretrained detectors clearly disagree due to different training objectives, priors, and visual representations. To this end, we design AnomalyAgent, a post-training fusion framework for accurate visual anomaly detection. AnomalyAgent aligns heterogeneous sco

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange