Newest papers

LACToS: Local Anomaly Detection via Conditional Typicality of Superpixels

Jihoon Hong, Alireza Kheirandish, Rohan Sanda, Sara Fridovich-Keil · 2026 · arXiv (Cornell University)

DOI: 10.48550/arxiv.2610.31538 · cited by 0 works (OpenAlex) · open-access PDF

Vietnamese

Phát hiện bất thường địa phương là nhiệm vụ xác định các khu vực bất thường hoặc không phân phối (OOD) có giới hạn không gian trong một hình ảnh (ID) phân phối khác. Hầu hết các phương pháp hiện có được thiết kế cho một bối cảnh cụ thể, với sự tập trung mạnh mẽ vào phát hiện khuyết tật công nghiệp, nơi họ đạt được hiệu suất tuyệt vời trên các tiêu chuẩn chuẩn được thiết lập tốt. Tuy nhiên, chúng tôi quan sát thấy rằng các phương pháp này có thể cho thấy sự sụt giảm hiệu suất đáng kể trong các bối cảnh khác, đặc biệt là khi phân phối bên trong là đa dạng. Để tính đến sự phức tạp bên trong này, chúng tôi đề xuất LACToS, một phương pháp phát hiện OOD địa phương dựa trên nguyên tắc thống kê và được thực hiện thông qua hai đổi mới: (i) nhóm các pixel thành siêu pixel và (ii)

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

Abstract

Local anomaly detection is the task of identifying spatially confined anomalous or out-of-distribution (OOD) regions within an otherwise in-distribution (ID) image. Most existing methods are designed for a specific context, with a strong focus on industrial defect detection, where they achieve excellent performance on well-established benchmarks. However, we observe that these methods can exhibit significant performance drops in other contexts, especially when the inlier distribution is multimodal. To account for this inlier complexity, we propose LACToS, a principled local OOD detection method based on statistical typicality and made tractable through two innovations: (i) grouping pixels into superpixels and (ii) using a computationally efficient proxy to estimate typicality. We evaluate LACToS across three diverse applications spanning medical imaging, human faces, and X-ray security screening. LACToS performs more robustly than prior methods across these benchmarks. The code is released here: https://github.com/voilalab/LACToS.

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

Topics: Anomaly detection, Artificial intelligence, Computer science, Focus (optics), Pattern recognition (psychology), Pixel

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