合成欠陥生成（Synthetic Defect Generation）総合調査レポート
kotai2003Executive Summary
異常検知は良品画像のみで学習できる利点を持つ一方、しきい値調整・性能評価にはNG画像が不可欠であり、現場で1〜2枚しかNGが得られない状況では十分な運用が困難である。本レポートは、この課題を解決する合成欠陥生成（Synthetic Defect Generation）の最新研究動向（2023〜2026年）を、Web調査・学術論文・コミュニティ実践の3つの視点から統合的に分析したものである。
最重要の知見: 2023年以降、合成欠陥生成は4つの技術潮流に分化している。(1) Diffusion系（AnomalyDiffusion, SeaS, DefectFill等）が画像品質で主流化、(2) Feature-space synthesis系（GLASS, CRAS）がPatchCoreとの親和性で最強、(3) Copy-paste系（DRAEM, NSA）が軽量実装のベースラインとして定着、(4) Few-shot駆動型（TF-IDG等）がNG画像1枚からの生成で実用性を追求。特にECCV 2024で発表されたGLASSは、正常画像のみから特徴空間で異常を合成し、MVTec ADでAUROC 99.9%を達成しており、PatchCoreのしきい値設計に最も直接的に活用できる手法として3ソース中2ソースで最高評価を得た。
実運用への示唆: 合成NGでしきい値を設計するフローは有望だが、合成NGと実NGの分布乖離が系統的に検証されていないという根本的課題がある（学術ソースのみが明示的に指摘）。合成NGで決定したしきい値は、必ず実NGでの最終検証を経る必要がある。推奨される段階的導入フローとして、Phase 1: GLASS（NG不要）→ Phase 2: TF-IDG/AnomalyDiffusion（NG 1〜2枚で拡張）→ Phase 3: SeaS + AnomalousPatchCore（NG 5枚以上で高度化）を提案する。
注意すべきリスク: MVTec ADでの高精度（97〜99%）が実工場に直結しないドメインギャップ問題は3ソース全てで指摘されており、合成欠陥の品質管理とドメインエキスパートによるレビューが不可欠である。
1. 研究動向の全体像
1.1 2021〜2026年の技術的変遷
Confidence: High（全3ソース一致）
2021〜2022年にCutPaste、NSA、DRAEMなどのcopy-paste系手法が登場し、良品のみの学習に合成欠陥を活用する枠組みが確立された。2023年以降はDiffusion Modelを用いた高品質生成が主流化し、同時にFeature-space synthesis（特徴空間での異常合成）がPatchCoreとの直接統合手法として台頭している。
2021 ── CutPaste (CVPR), DRAEM (ICCV): Copy-paste系の確立
2022 ── PatchCore (CVPR): メモリバンク型ADのSOTA確立, NSA (ECCV)
2023 ── Diffusion系の台頭、Optimizing PatchCore (few-shot)
2024 ── GLASS (ECCV), RealNet (CVPR), AnomalyDiffusion (AAAI),
DualAnoDiff, AnomalousPatchCore, COFT-AD (IEEE TIP),
AnoGen (ECCV)
2025 ── SeaS (ICCV), TF-IDG (ICCV), DefectFill (CVPR),
CRAS (TII), Sequential PatchCore
2026 ── 基盤モデル（SAM, CLIP, DINOv2）活用のzero-shot化へ移行期1.2 4つの技術潮流
Confidence: High（全3ソース一致）
| 潮流 | 代表手法 | 成熟度 | 異常検知との親和性 |
|---|---|---|---|
| Diffusion系 | AnomalyDiffusion, SeaS, DefectFill, TF-IDG | 急速発展中 | 間接的（画像レベル） |
| Feature-space synthesis系 | GLASS, CRAS, COFT-AD | 研究レベルで有望 | 最高（特徴空間で直接操作） |
| Copy-paste系 | CutPaste, DRAEM, NSA, Sequential PatchCore | 成熟 | 中程度（前処理として） |
| Few-shot駆動型 | AnomalousPatchCore, AnoGen | 発展中 | 高（PatchCore直接拡張含む） |
1.3 GAN系の衰退
Confidence: High（全3ソース一致）
GAN系手法は2022年以前が主流だったが、Diffusion系の台頭により2023年以降の新規研究は大幅に減少。学習不安定性、モード崩壊、少数NG画像での訓練困難といった根本的問題が解消されず、Diffusion系への移行が不可逆的に進んでいる。CycleGAN系のドメイン変換が半導体・PCB検査で引き続き使われる程度にとどまる。
2. 手法カテゴリ別分析
2.1 Diffusion系（2023〜2025年の主流）
Confidence: High
少数のNG画像から高品質・高多様度の欠陥画像を生成できる手法群。Stable Diffusion / Latent Diffusion Modelを基盤とし、空間制御・テキスト制御・強度制御などの技術を組み合わせて産業欠陥に特化させている。
強み:
- 視覚的に自然な欠陥画像を生成でき、人間による品質確認が容易 [Community]
- マスク付きで生成されるためセグメンテーション評価にも活用可能 [Academic]
- Few-shot（1〜5枚のNG画像）での動作を明示的に設計した手法が多い [Web, Academic]
弱み:
- Fine-tuningに高いGPUコスト（A100/V100相当、数時間〜1日）が必要 [Community]
- PatchCoreのfeature spaceを直接操作するわけではなく、効果は間接的 [Academic, Cross-validation]
- 微細欠陥（1〜5ピクセル）の生成はデノイズ過程で不安定になりうる [Academic]
| 手法 | 特徴 | 推奨シーン |
|---|---|---|
| AnomalyDiffusion (AAAI 2024) | 空間埋め込みで位置制御。信頼性高 | 欠陥種別が明確な場合 |
| DualAnoDiff (2024) | 2ブランチで背景整合性強化 | 高品質生成重視 |
| SeaS (ICCV 2025) | 属性分解で未知欠陥を合成 | 欠陥属性が多様な場合 |
| RealNet (CVPR 2024) | 強度制御付き合成 | 微弱〜顕著まで連続生成 |
| DefectFill (CVPR 2025) | Inpaintingで精密な局所欠陥 | 少数参照欠陥からの高品質生成 |
| TF-IDG (ICCV 2025) | Training-free、one-shot | 最も導入ハードルが低い |
2.2 Feature-space Anomaly Synthesis系（PatchCore親和性最高）
Confidence: High
画像空間ではなく、特徴ベクトル空間で異常を直接合成するアプローチ。PatchCoreのメモリバンクと同一の特徴表現空間で動作するため、しきい値設計に最も直接的に活用できる。2024〜2025年に急増中。
強み:
- PatchCoreのメモリバンクと同一空間で動作し、しきい値キャリブレーションに直結 [Web, Academic, Community]
- NG画像が不要（正常画像のみ）でも動作する手法が多い [Academic]
- 正常分布の境界近傍に「弱い異常（weak defect）」を狙い撃ちで生成でき、微細欠陥に強い [Academic]
弱み:
- 生成結果が特徴ベクトルであるため「見える化」が難しく、人間による直感的な品質確認が困難 [Academic]
- Gradient Ascentのハイパーパラメータ調整が必要で、ドメインごとのチューニングが求められる [Community]
| 手法 | 特徴 | 推奨シーン |
|---|---|---|
| GLASS (ECCV 2024) | Gradient Ascent + GAS/LAS。微細欠陥SOTA | PatchCoreしきい値設計に最適 |
| CRAS (TII 2025) | 残差ベース合成。マルチクラス対応 | 複数製品カテゴリの統一管理 |
| COFT-AD (IEEE TIP 2024) | 対照学習でfeature空間整形 | NG不要でバックボーン強化 |
GLASSとCRASの関係: 両手法は同一著者グループ（cqylunlun）による研究。GLASSがECCV 2024で発表されたfeature-space synthesisの代表手法であり、CRASはTII 2025でマルチクラス対応に拡張したバージョンと位置づけられる。実装選択の際は、単一クラス検査にはGLASS、複数クラス統一管理にはCRASが適切。
2.3 Copy-paste系（軽量・実装容易）
Confidence: High
良品画像のパッチ切り貼りや外部テクスチャの重畳で合成欠陥を生成する最もシンプルなアプローチ。
強み: 実装が容易、追加データ不要、計算コストが低い [全3ソース]
弱み: 合成欠陥が実際の産業欠陥（傷、打痕、汚れ、クラック）と外観・特徴分布が乖離しやすい [全3ソース一致]
「DRAEM系のランダムテクスチャ貼り付けは論文ベンチマークでは機能するが、実際の金属打痕やクラックは背景との境界が自然であり、この種の合成では全く異なる特徴分布になる」 — 実践者コミュニティ [Community]
2.4 PatchCore直接拡張系
Confidence: High
PatchCoreのアーキテクチャ・パイプラインを最小限の変更で強化する手法群。
| 手法 | アプローチ | NG画像要件 |
|---|---|---|
| AnomalousPatchCore (ECCV WS 2024) | Feature extractorをNG画像でfine-tuning | 1〜数枚のNG |
| Sequential PatchCore (ECCV WS 2024) | 合成不純物でpre-training + 実データでfine-tuning | 不要（合成で代替） |
| Optimizing PatchCore (2023) | Hyperparamチューニング + Leave-one-outしきい値校正 | 不要 |
3. 主要論文の統合比較表
クロスバリデーション結果を反映し、過大評価を修正した統合評価を示す。
| # | 論文タイトル | 年 / 会議 | カテゴリ | 論文リンク | GitHubリンク | 微細欠陥 | 少数NG | PatchCore相性 | 評価データセット |
|---|---|---|---|---|---|---|---|---|---|
| 1 | GLASS | 2024 / ECCV | Feature-space | arXiv | GitHub | ★★★ | ★★★ | ★★★ | MVTec AD, VisA, MPDD |
| 2 | AnomalyDiffusion | 2024 / AAAI | Diffusion | arXiv | GitHub | ★★☆ | ★★★ | ★★☆ | MVTec AD |
| 3 | SeaS | 2025 / ICCV | Diffusion | arXiv | GitHub | ★★★ | ★★★ | ★★☆ | MVTec AD, MVTec 3D AD |
| 4 | RealNet | 2024 / CVPR | Diffusion+Feature | arXiv | GitHub | ★★★ | ★★☆ | ★★☆ | MVTec AD, VisA, MPDD, BTAD |
| 5 | DefectFill | 2025 / CVPR | Diffusion (Inpainting) | arXiv | 未公開 | ★★★ | ★★★ | ★★☆ | MVTec AD |
| 6 | TF-IDG | 2025 / ICCV | Diffusion (Training-free) | CVF | 未確認 | ★★★ | ★★★ | ★★☆ | MVTec AD, VisA |
| 7 | AnomalousPatchCore | 2024 / ECCV WS | PatchCore拡張 | arXiv | 未公開 | ★★☆〜★★★ | ★★★ | ★★★ | MVTec AD |
| 8 | DualAnoDiff | 2024 / arXiv | Diffusion | arXiv | GitHub | ★★★ | ★★★ | ★★☆ | MVTec AD, VisA |
| 9 | CRAS | 2025 / TII | Feature-space | arXiv | GitHub | ★★★ | ★★☆ | ★★★ | MVTec AD, VisA, MPDD, ITDD |
| 10 | Sequential PatchCore | 2025 / ECCV WS | Copy-paste+PatchCore | arXiv | 未公開 | ★★☆ | ★★★ | ★★★ | 独自表面検査データ |
| 11 | COFT-AD | 2024 / IEEE TIP | Feature-space | arXiv | 未公開 | ★★☆ | ★★★ | ★★★ | MVTec AD |
| 12 | AnoGen | 2024 / ECCV | Diffusion+Few-shot | arXiv | GitHub | ★★☆ | ★★★ | ★★☆ | MVTec AD |
| 13 | Optimizing PatchCore | 2023 | PatchCore拡張 | arXiv | GitHub | ★★☆ | ★★★ | ★★★ | MVTec AD, VisA |
| 14 | AdaBLDM | 2024 | Diffusion | arXiv | GitHub | ★★☆ | ★★☆ | ★★☆ | MVTec AD |
評価基準の注記: クロスバリデーションにより、Community reportで過大評価されていた項目（RealNetの少数NG対応、SeaS/TF-IDGのPatchCore相性等）を修正済み。★★★は該当観点で最強クラス、★★☆は実用的だが制約あり、★☆☆はベースライン程度を意味する。
4. 重要論文の詳細解説
4.1 GLASS（ECCV 2024）— Feature-space synthesis最強
Confidence: High（Academic/Community一致、Cross-validationで最高評価）
正式タイトル: A Unified Anomaly Synthesis Strategy with Gradient Ascent for Industrial Anomaly Detection and Localization
合成方法: 2段階の統合合成戦略を採用。
- Global Anomaly Synthesis (GAS): 特徴空間で勾配上昇法（Gradient Ascent）+ ガウスノイズにより、正常特徴の多様体境界近傍にnear-in-distributionな異常ベクトルを生成。Truncated Projectionで過度な分布逸脱を防止。
- Local Anomaly Synthesis (LAS): 画像レベルで局所的テクスチャ/パターンを操作し、リアルな微細欠陥を合成。
微細欠陥対応: ★★★ 最強クラス。「weak defect」検出を核心課題として設計。MVTec AD AUROC 99.9%はその成果。
少数NG対応: ★★★ 完全対応。正常画像のみで動作。NG画像不要でしきい値キャリブレーション用の合成NGを大量生成可能。
PatchCore相性: ★★★ 最高。PatchCoreのメモリバンクと同一特徴空間で動作し、しきい値設計に直接利用可能。
メリット: NG画像ゼロで運用可。微細欠陥に強い。公式コードあり。
弱点: Feature-space合成のため生成結果の「見える化」が困難。Gradient Ascentのハイパーパラメータ調整が必要 [Community]。
4.2 AnomalyDiffusion（AAAI 2024）— Diffusion系の代表格
Confidence: High（全3ソース一致）
正式タイトル: AnomalyDiffusion: Few-Shot Anomaly Image Generation with Diffusion Model
合成方法: Latent Diffusion Modelを基盤に、Spatial Anomaly Embedding（異常の外観と位置を分離してエンコード）とAdaptive Attention Re-weighting（生成中のアテンション動的強化）を導入。
微細欠陥対応: ★★☆ 中程度。マスクに基づく空間制御で小さな欠陥も生成可能だが、Diffusionのデノイズ過程で微細ディテールが失われやすい。（注: Web reportは◎と評価していたが、Academic/Community両ソースの★★☆がより技術的に正確）
少数NG対応: ★★★ Few-shot設計が明示的目標。数枚のNGからLDMをfine-tuningして多様な欠陥パターンを生成。
メリット: 画像としてのNGデータが得られるため人間による確認・選別が容易。マスク付き生成でセグメンテーション評価にも利用可能。
弱点: LDMのfine-tuningにGPU時間がかかる。生成多様度がfew-shot枚数に依存。
4.3 SeaS（ICCV 2025）— 属性分解による最新Few-shot生成
Confidence: High（Academic/Community一致）
正式タイトル: SeaS: Few-shot Industrial Anomaly Image Generation with Separation and Sharing Fine-tuning
合成方法: Stable Diffusionのfine-tuningベース。Separation（異常トークンと正常トークンの分離学習）とSharing（同一U-Netで正常・異常両方を生成）を組み合わせ。Decoupled Anomaly Alignment Lossで異常属性を複数トークンに分解・再結合し、未知の異常パターンを合成可能。
微細欠陥対応: ★★★ 属性分解により小さな傷・汚れ・ムラなど多様な微細欠陥を合成。高解像度マスク生成。
少数NG対応: ★★★ 最強クラス。数枚から多様な欠陥属性を抽出・再結合可能。
PatchCore相性: ★★☆ 間接的。生成された正常・異常ペアがunsupervised AD（PatchCore含む）で+1.10% image-level AP、+8.66% pixel AP改善と報告。
メリット: 正常画像の生成も同時に行えるため訓練データ全体の拡張に利用可能。
弱点: Stable DiffusionベースのためVRAMが多く必要。
4.4 DefectFill（CVPR 2025）— Inpainting型精密欠陥生成
Confidence: Medium-High（Web/Community一致、Academic未言及）
正式タイトル: DefectFill: Realistic Defect Generation with Inpainting Diffusion Model for Visual Inspection
- 論文: https://arxiv.org/abs/2503.13985
- GitHub: 未公開（2025年発表のため）
合成方法: Inpainting Diffusion Modelを欠陥専用にfine-tune。欠陥損失・オブジェクト損失・Attention損失を組み合わせたカスタム損失関数とLow-Fidelity Selectionで生成品質を向上。
少数NG対応: ★★★ 少数参照欠陥サンプルからの生成を明示的に設計。
弱点: CVPR 2025発表で公式GitHub未公開。再現性は現時点で未検証。
4.5 TF-IDG（ICCV 2025）— 学習不要のOne-shot生成
Confidence: Medium-High（Web/Community一致）
正式タイトル: Training-Free Industrial Defect Generation with Diffusion Models
- 論文: CVF PDF
- GitHub: https://github.com/rubymiaomiao/TF-IDG
合成方法: 学習不要（training-free）の欠陥生成フレームワーク。1枚のNG画像（one-shot）設定で動作。
最大の利点: Fine-tuning不要のため、GPUコストが低く、現場への導入ハードルが最も低い。
弱点: GitHub未確認、コミュニティでの実績が限定的。
4.6 AnomalousPatchCore（ECCV 2024 Workshop）— PatchCore直接拡張
Confidence: High（Academic/Community一致）
正式タイトル: AnomalousPatchCore: Exploring the Use of Anomalous Samples in Industrial Anomaly Detection
- 論文: https://arxiv.org/abs/2408.15113
- GitHub: 未公開
合成方法/アプローチ: PatchCoreのfeature extractorを、正常+異常サンプルの対照学習でfine-tuning。異常分類・局所化・クラス不均衡補正の3補助タスクに対応。
PatchCore相性: ★★★ 直接互換。既存PatchCoreパイプラインの最小変更で強化可能。
弱点: コード未公開で再現実装が必要。少数NG時のfine-tuning不安定性への対策が限定的。
4.7 RealNet（CVPR 2024）— 強度制御Diffusion合成
Confidence: High（全3ソース言及、ただし評価に矛盾あり）
正式タイトル: RealNet: A Feature Selection Network with Realistic Synthetic Anomaly for Anomaly Detection
合成方法: SDAS（Strength-controllable Diffusion Anomaly Synthesis）で異常強度を連続的に制御して合成。AFS（特徴選択）とRRS（残差選択）を組み合わせた3コンポーネント構成。
重要な注意: Community reportはRealNetを「NG不要（★★★）」と評価していたが、クロスバリデーションの結果、Web reportの「大量合成が前提（★★☆）」がより正確。RealNetは360k枚の事前合成データを用いる設計であり、少数NGからの直接生成フローとして使いにくい。
5. AI異常検知との相性分析としきい値設計
5.1 AI異常検知におけるNG画像の3つの役割
Confidence: High（全3ソース一致）
- しきい値（threshold）設定: anomaly scoreの分布を確認し、FP/FNのバランスを調整
- 性能評価: AUROC、F1スコア、AU-PRなどの計算
- 欠陥パターン分析: どの種類の欠陥が検知困難かを特定
5.2 手法別のAI異常検知親和性マッピング
Confidence: High（Cross-validation修正済み）
Tier 1:AI異常検知と直接統合可能（★★★）
| 手法 | 統合方法 | NGデータ要件 |
|---|---|---|
| GLASS | 同一特徴空間で合成NG生成 → しきい値設計に直接利用 | 不要 |
| CRAS | マルチクラス対応の特徴空間合成 → メモリバンク拡張 | 不要 |
| AnomalousPatchCore | Feature extractorをNG画像でfine-tuning | 1〜数枚 |
| Sequential PatchCore | 合成不純物でpre-training → 実データでコアセット更新 | 不要（合成で代替） |
| Optimizing PatchCore | Leave-one-out + 統計的しきい値校正 | 不要 |
| COFT-AD | Fine-tunedバックボーンをPatchCoreに直接挿入 | 不要 |
Tier 2: データ拡張として間接的に有効（★★☆）
| 手法 | 利用方法 | 注意点 |
|---|---|---|
| AnomalyDiffusion | 合成NG画像 → しきい値調整データ | Fine-tuningコストが高い |
| SeaS | 高品質合成NG + マスク → 評価データ拡張 | VRAMが多く必要 |
| DefectFill | 少数参照欠陥からリアル欠陥画像を生成 | GitHub未公開 |
| TF-IDG | One-shotで合成NG量産 → 評価データ即時構築 | PatchCore特化ではない |
| DualAnoDiff | 背景整合性の高い合成NG → 評価データ | 2ブランチで計算コスト高 |
| RealNet | 強度制御で境界的サンプルを生成 | 360k枚の事前合成が必要 |
5.3 しきい値設計に関する根本的注意
Confidence: High（Academic独自指摘、極めて重要）
合成NGで決定したしきい値が実際のNG分布に対してどの程度有効かは、系統的に検証されていない。 論文間でしきい値決定方法が統一されておらず比較も困難。合成NGベースのしきい値は必ず実NGでの最終検証を経る必要がある。[Academic]
この問題は本調査の核心課題に直結する。3ソースとも「合成NGでしきい値設定」を推奨しているが、この前提自体の脆弱性をAcademic reportのみが明示的に指摘しており、実運用では十分な注意が必要。
5.4 しきい値設計のベストプラクティス
Confidence: Medium-High（複数ソースの知見を統合）
- Leave-one-out推定: 正常画像のみからベータ分布を推定してしきい値初期値を決定 [Web, Community]
- Percentileベース: 正常画像のanomaly score分布の99.9パーセンタイルを仮しきい値に設定 [Community]
- 合成NGによるROC構成: GLASS/TF-IDGで合成NGを20〜50枚生成し、ROC曲線を描画 [Web]
- 実NGでの最終検証: 手元の1〜2枚の実NGで合成NG由来のしきい値を確認・微調整 [Academic]
- ドメインエキスパートによるレビュー: 合成NGの品質と、しきい値の妥当性を検査員が最終確認 [Community]
6. 定量的ベンチマーク結果
6.1 MVTec AD（Image-level AUROC）
Confidence: Medium-High（各論文の報告値。実験設定差に注意）
| 手法 | MVTec AD AUROC | 備考 |
|---|---|---|
| PatchCore（ベースライン） | 99.1% | CVPR 2022 |
| GLASS | 99.9% | ECCV 2024、weak defect特化 |
| RealNet | SOTAクラス | CVPR 2024 |
| SeaS（unsupervised ADへの貢献） | +1.10% AP改善 | ICCV 2025 |
| AnoGen（DRAEMへの貢献） | +5.8% AU-PR | ECCV 2024 |
| CRAS | 98.3% (Image), 98.0% (Pixel) | TII 2025 |
注意: MVTec ADはAUROC 97〜99%台でほぼ飽和状態。より難しいベンチマーク（MVTec AD 2, VisA, MPDD等）への移行が進んでいる。[Web, Academic]
6.2 主要データセット一覧
| データセット | 特徴 | カテゴリ数 | 難易度 |
|---|---|---|---|
| MVTec AD | 工業部品・テクスチャ。業界標準 | 15 | 飽和気味 |
| MVTec AD 2 | 8新シナリオ、8000枚以上 | 8+ | 高（2025年公開） |
| VisA | 高解像度工業品 | 12 | MVTecより高 |
| MPDD | 金属部品の打痕・傷 | 6 | 微細欠陥多 |
| MVTec LOCO | 論理的異常（配置ミス等） | 5 | 特殊 |
| BTAD | 産業製品 | 3 | 中程度 |
7. 実践者の知見とベストプラクティス
7.1 現場の声
Confidence: Medium-High（Community report単独だが、実例に基づく）
SEA Vision社（IEEE ETFA 2025）:
「バックボーンにAnti-Aliased WRN50を使用し、入力解像度を448×448に設定、専用データ拡張を組み合わせることで、1枚の正常画像だけでも実用的な異常検知が可能になった」
DataRoots社（PatchCore実装ブログ 2024）:
「PatchCoreは正常画像だけで学習できる点が最大の強み。しかし、しきい値の設定には依然としてNG画像が必要で、現場では最初から悩みの種になる」
PatchCore公式リポジトリ（amazon-science） のIssue傾向:
- 「しきい値を自動で決める方法はないか？」— 最多の質問カテゴリ
- 「NG画像が少ない場合にROCカーブが正確に引けない」— 共通の悩み
7.2 実装のチューニング知識
Confidence: Medium-High [Community]
- バックボーン: WideResNet50が最も安定。DINOv2/ViT系への切り替えが近年トレンド
- コアセット比率: 1〜10%で十分（全特徴の使用は過剰）
- 入力解像度: 224〜448pxの範囲で製品サイズに合わせて調整
- 統合フレームワーク: anomalibがPatchCore含む多手法対応で最も実用的
7.3 合成欠陥導入の典型的な失敗パターン
Confidence: Medium [Community]
- 「論文手法をそのまま実装して動かない」 → 自社製品カテゴリへのドメイン適応が必要
- 「合成欠陥を学習に使ったら偽陽性が増えた」 → 合成欠陥の品質管理とフィルタリングが必須
- 「Diffusion fine-tuningを試みたがGPU不足で断念」 → Training-free手法（TF-IDG等）が現実的な代替
8. 3観点別おすすめ分類
8.1 微細欠陥生成に強いもの（傷・打痕・クラック・異物・ムラ）
Confidence: High
| 優先度 | 手法 | カテゴリ | 理由 |
|---|---|---|---|
| ★★★ 第一推奨 | GLASS | Feature-space | Gradient Ascentで正常境界の異常を狙い撃ち。Weak defect対策が設計の核心。公式コードあり [Academic, Community] |
| ★★★ 第二推奨 | SeaS | Diffusion | 属性分解により微細な傷・汚れ・ムラを細かく制御して生成。高解像度マスク付き [Academic] |
| ★★★ 第三推奨 | DefectFill | Diffusion (Inpainting) | Inpaintingによる精細な欠陥生成、Low-Fidelity Selectionで品質保証 [Web] |
| ★★☆ 補完 | DualAnoDiff | Diffusion | 背景整合性により「浮きのない」微細欠陥生成。マスク精度高 [Academic] |
| ★★☆ 補完 | RealNet | Diffusion+Feature | 強度可変Diffusionで微弱〜顕著まで連続生成可能 [Academic, Web] |
微細欠陥に不向きな手法: Copy-paste系（CutPaste, DRAEM）は微細欠陥の再現に適さない場合が多い [全3ソース一致]
8.3 AI異常検知評価・しきい値調整用途に向くもの
Confidence: High
| 優先度 | 手法 | 具体的な使い方 |
|---|---|---|
| ★★★ | GLASS | 正常画像のみ → 特徴空間で合成NG生成 → PatchCoreしきい値を直接設計 |
| ★★★ | Optimizing PatchCore | Leave-one-out + 統計フィッティングでNGデータほぼ不要のしきい値校正 |
| ★★★ | AnomalousPatchCore | 1〜2枚のNGでfeature extractorをfine-tuning → 即座にPatchCore強化 |
| ★★☆ | CRAS | マルチクラス対応。複数製品カテゴリの統一しきい値管理 |
| ★★☆ | TF-IDG | One-shot、training-freeで合成NG量産 → 評価データ即時構築 |
| ★★☆ | AnomalyDiffusion | 数枚NG → 多様な合成NG生成 → しきい値調整データとして活用 |
9 参考サーベイ・Awesomeリスト
| リソース | URL | 内容 |
|---|---|---|
| A Survey on Industrial Anomalies Synthesis (2025) | arXiv | 約40手法のIASタクソノミー |
| Anomaly Detection with Diffusion Models Survey (2025) | arXiv / GitHub | Diffusion系特化サーベイ |
| awesome-industrial-anomaly-detection | GitHub | 産業AD網羅的論文リスト |
| awesome-anomaly-synthesis | GitHub | 合成手法専門リスト |
| Awesome-Few-Shot-Defect-Image-Generation | GitHub | Few-shot欠陥生成リスト |
| Awesome-Anomaly-Generation | GitHub | 異常生成手法の階層型タクソノミー |
10. 未解決課題とリスク
10.1 合成NGしきい値の実環境有効性（最重要）
Confidence: High（Academic独自指摘だが根本的課題）
全ソースが「合成NGでPatchCoreのしきい値を調整する」フローを推奨しているが、合成NGで決定したしきい値が実際のNG分布に対してどの程度有効かの系統的検証データがない。これは本調査で特定された最も重要な知識ギャップであり、合成欠陥研究全体の信頼性に関わる。
対策: 合成NGしきい値は「初期設定値」として扱い、実NGでの検証を必須プロセスに組み込む。
10.2 ドメインギャップ問題
Confidence: High（Academic/Community一致）
MVTec AD/VisAで高精度を達成した手法が、実工場のデータに適用された際に大幅に性能低下する事例が多報告されている。
「MVTecで99%出ても自社製品では60%台になることがある」 — 実践者 [Community]
Beyond Academic Benchmarks（arXiv 2503.23451）がこの問題を詳細に分析している。
10.3 超微細欠陥の生成品質限界
Confidence: Medium（Academic単独）
1〜5ピクセル規模の傷・打痕はDiffusionモデルでも生成が不安定。生成解像度とデノイズのランダム性が阻害要因となる。Feature-space合成（GLASS等）の方がこの種の微細欠陥には適している可能性がある。
10.4 計算コストの定量データ不足
Confidence: Medium
各手法のGPU時間・メモリ使用量・推論速度の定量比較が全ソースで欠如。Diffusion系fine-tuningにはA100/V100相当のGPUが必要で、手法によっては数時間〜1日の学習時間がかかるが、具体的なベンチマークは未整備。
10.5 微細欠陥の定義標準の不在
Confidence: Medium
「微細欠陥」の定義が統一されていない。ピクセルサイズでの定義や、正常領域との信号比（SNR）などの定量基準がなく、手法間の公平な比較が困難。
10.6 実工場での導入事例の不足
Confidence: Medium
SEA Vision社やEdge Impulseなどの事例報告はあるが、具体的な精度数値やしきい値調整の実績データは公開されていない。
限界:
- 各ソースの調査は2026年4月17日時点の情報に基づく
- 論文の自己報告ベンチマーク数値は実験設定差（backbone, resolution等）により直接比較が困難
- Community reportが一部手法を過大評価する傾向があり、Cross-validationで修正を加えた
- 2025年発表の最新手法（DefectFill, TF-IDG, SeaS）はコミュニティでの実績蓄積が不十分
- 実工場での定量的成功事例データが限定的
本レポートは2026-04-17時点の多角的文献・実践調査に基づきます。技術は急速に進歩しているため、最新情報はarXiv・GitHub・Papers with Codeで随時確認してください。
