はじめに
私は機械知能研究室に所属し，CV分野の研究に取り組んでいます．
機械知能研究室では，ロボットビジョンや自律知能システムに関する研究を行っています．
関連論文を調べるときは，論文を見つけるだけでなく，見つけた論文を同じ観点で比較する作業にも手間がかかります．
例えば，異常検知の論文を整理する場合でも，「正常画像を何枚必要とするか」「どのモデルを使っているか」「どのような異常を検出できるか」といった項目を確認する必要があります．さらに，性能の数値が載っていても，データセットや評価条件が違えば，そのまま比較することはできません．
そこで今回は，Elicit Research Agentを使い，論文探索から比較表の作成，原文との照合までを試します．
単にツールの機能を紹介するだけでなく，自分の研究に近い「産業画像の論理異常検知」を題材に，次の3点を確認します．
- 事前に選定した確認用論文が検索結果に含まれるか
- 調査条件を具体化すると，検索結果がどう変わるか
- 作成された比較表を，研究に使える内容として確認できるか
Elicit Research Agentとは
Elicitは，学術論文の検索や，論文からの情報抽出を支援するサービスです．Research Agentでは，自然言語で依頼し，同じセッション内で検索，情報抽出，要約，比較表の作成などを進められます．
公式ヘルプによると，2026年9月30日に従来の「Find Papers」「Extract Data」「Chat with Papers」がResearch Agentへ統合されました．Research Agent自体がこの日に初めて登場したわけではなく，従来の機能が対話を中心とする操作へまとめられた形です．[1]
例えば，「関連論文を探して」と依頼した後に，「その論文を学習条件で比較して」「この項目の根拠を示して」と追加で質問できます．
公式案内ではResearch Agentは全プランで利用可能ですが，使用量にはプランごとの制限があります．機能や制限は更新されるため，今回の利用条件を以下に示します．[1]
| 項目 | 今回の条件 |
|---|---|
| 利用日 | 2026年10月4日 |
| 利用プラン | Basic |
| 利用機能 | Elicit Research Agent |
| 検索モード | Academic |
| 入力言語 | 日本語 |
| 調査対象 | 産業画像の論理異常検知 |
今回の調査テーマと確認方法
調査テーマ：産業画像の論理異常検知
今回は，部品の個数や組み合わせ，配置などが正常なルールから外れる「論理異常」を対象とします．例えば，各部品に傷がなくても，必要な部品が一つ足りなければ，製品全体としては異常です．
MVTec LOCO ADは，構造異常と論理異常の両方を扱うデータセットです．今回の探索では，このデータセットを評価に用いる研究を主な対象にします．[3]
検索前に選定した確認用論文
検索結果を確認するため，調査対象に合う論文を事前に5本選定しました．論文名のリンクから原文を参照できます．
| ID | 論文 | 年 | 確認する観点 |
|---|---|---|---|
| P1 | SALAD | 2025 | 構成マップの生成と学習 |
| P2 | ComAD | 2023 | 部品の特徴と関係 |
| P3 | CSAD | 2024 | 部品分割と各モジュールの役割 |
| P4 | GCAD | 2022 | データセットと検出手法の提案 |
| P5 | LogicAD | 2025 | VLMの利用とone-shotの評価条件 |
自身の研究に近い構成マップ・部品特徴を利用する手法に加え，VLMを利用する手法も含めました．
この5本のタイトルは検索プロンプトに含めず，検索後に結果と照合します．このリストは関連研究全体を網羅したものではなく，以下で示す発見数は検索全体の網羅率を表しません．
まずは普通に論文を探してみる
最初は，新しいセッションで，対象だけを伝えるシンプルな指示を入力しました．
産業画像の論理異常検知に関する論文を探してください．
代表的な論文を最大10本挙げ，各論文について，タイトル，
発表年，リンク，手法の概要を日本語でまとめてください．
検索結果のタイトルを確認用5本と照合し，対象範囲への適合を出力された概要から暫定的に判断しました．全論文のリンク先や概要を原文と照合したわけではありません．原文確認は後の節で，3本の一部項目に絞って行います．
| 確認項目 | 初回の結果 |
|---|---|
| 提示された論文数（重複を除く） | 10本 |
| 確認用5本のうち見つかった数 | 3/5（ComAD，CSAD，GCAD） |
| 今回の範囲に合う論文数 | 10本（出力された概要に基づく判断） |
| 範囲外と判断した論文と理由 | 出力された概要では，範囲外と判断した論文はなし |
初回検索では，確認用の5本中，ComAD，CSAD，GCADの3本が含まれていました．一方，SALADとLogicADは含まれていませんでした．
出力された概要では，10本とも産業画像の論理異常検知を扱っており，部品の分割，大域的な特徴，グラフ，言語情報など，異なるアプローチの論文が提示されました．
条件を具体化すると，結果はどう変わるか
次に，初回とは別の新しいセッションで，論理異常の定義と調べたい範囲を具体的に指定しました．利用プランとAcademicの設定は初回と揃えました．
産業画像の論理異常検知に関する論文を，最大10本探してください．
ここでいう論理異常は，部品の個数，組み合わせ，配置，
物体間の関係などが正常なルールから外れている状態です．
傷や汚れなどの局所的な構造異常だけを対象とする研究は，
今回の主な対象から除外してください．
対象条件：
・MVTec LOCO ADで論理異常を評価している研究を優先する
・監視映像や時系列データの異常検知は除外する
・対象条件を満たす論文が少ない場合は，無理に10本へ増やさない
各論文について，タイトル，発表年，リンク，手法の概要と，
論理異常を評価していることの根拠を示してください．
根拠を確認できない場合は，確認できないと記載してください．
| 項目 | シンプルな指示 | 条件を具体化した指示 |
|---|---|---|
| 提示論文数（重複を除く） | 10本 | 9本 |
| 確認用5本のうち見つかった数 | 3/5 | 2/5 |
| 今回の範囲に合う論文数※ | 10本 | 9本 |
| 範囲外の論文数※ | 0本 | 0本 |
※範囲への適合は，出力された概要に基づく暫定判断です．全論文についてLOCO ADでの評価を原文確認した件数ではありません．
確認用論文ごとの結果は，以下のとおりです．
| 論文 | シンプルな指示 | 条件を具体化した指示 |
|---|---|---|
| SALAD | なし | なし |
| ComAD | あり | あり |
| CSAD | あり | あり |
| GCAD | あり | なし |
| LogicAD | なし | なし |
条件を具体化すると，THFRとLogicQAが追加され，一方でGCAD，ViGLAD，Logical Anomaly Detection with Text-based Logic via Component-Aware Contrastive Language-Image Trainingが外れました．両方の検索に共通する論文は7本でした．
また，2回目の出力には「論理異常を評価している根拠」の列が追加されました．多くの論文ではMVTec LOCO ADでの評価について説明され，ComADについては「LOCO ADでの評価根拠は確認できないため，原文で要確認」と記載されました．これは，ComADがLOCO ADで評価していないことを意味するのではなく，今回の回答では根拠を確認できなかったという扱いです．
確認用論文の発見数は3本から2本へ減少し，今回の試行では，条件の具体化による発見数の改善は見られませんでした．一方，評価の根拠や確認できない点が明示され，原文で確認すべき項目を把握しやすくなりました．ただし，根拠の説明には具体的な節・表番号が示されておらず，内容の正確さは原文と照合する必要があります．
各指示は1回ずつ実行しているため，論文の入れ替わりが指示の違いによるものか，検索・生成のばらつきによるものかは，この結果だけでは判断できません．
研究に使える比較表を作らせる
条件を具体化したセッションの続きで，検索結果を比較表に整理します．
ここでは，性能順位よりも，どのような条件で使える手法なのかを確認することを優先します．
提示した論文のうち，今回の対象条件を満たすものを比較表にしてください．
対象外の論文は除外し，除外理由を別に示してください．
比較表の列：
1. 論文名と発表年
2. 異常検知用に使用する正常画像数
3. 特徴抽出器や事前学習モデル
4. 追加の学習・適応処理の有無と内容
5. 論理異常を捉える仕組み
6. 評価データセット
7. 著者が述べている制約・限界
8. 各項目の根拠となる節，表，ページ，引用箇所，またはリンク
注意：
・一般に必要な画像数と，論文の実験で使用した画像数を区別してください
・事前学習に使われたデータと，異常検知用の正常画像を区別してください
・正常画像数が固定されていない場合は，そのことを明記してください
・論文に書かれた限界と，あなた自身の推測を混ぜないでください
・確認できない情報は「未確認」，確認した本文に記載がない情報は
「記載なし」としてください
・異なる条件の性能数値を使って，単純な順位付けをしないでください
比較表の生成結果
追加指示により，9本の論文について，正常画像数，特徴抽出器，追加学習，論理異常を捉える仕組み，評価データセット，著者が述べる制約が整理されました．
先頭3本の主要な情報を，読みやすさのため二つの表に分けて示します．いずれもElicitの出力を抜粋・要約したものであり，この段階では未確認の情報です． 正常画像数の意味を含め，次節で一部項目を原文と照合します．
学習条件の抜粋（原文照合前）
| 論文 | 正常画像数・条件 | 特徴抽出器 |
|---|---|---|
| GLCF | 正常訓練画像1,772枚，500エポック | ImageNet事前学習済みSwin Transformer-Tiny |
| ComAD | 正常訓練画像1,772枚から部品統計を構築 | DINO ViT-S/8 |
| THFR | 正常訓練画像1,772枚，200エポック | ImageNet事前学習済みWideResNet-50 |
検出の仕組み・制約の抜粋（原文照合前）
| 論文 | 論理異常を捉える仕組み | 著者が述べる制約として抽出された内容 |
|---|---|---|
| GLCF | 大域・局所特徴の対応を学習し，特徴推定誤差で検出 | 分岐・スケールの重みの経験的な設定が性能を弱める可能性 |
| ComAD | 部品の面積・色・連結性などの逸脱を検出 | 類似部品の識別や複雑な計数・姿勢異常が難しい |
| THFR | 正常テンプレートで特徴を復元し，元の特徴との差で検出 | 確認した箇所では明示的な限界の記載なし |
※「記載なし」はElicitの回答です．論文全体に限界の記述がないことを確認したものではありません．
例えば，LogicQAでは，推論時に用いる正常画像3枚と，質問の確認に用いる正常画像50枚が区別されました．また，PUADやCSADの正常画像総数については「記載なし」と出力され，具体的な数値を示さない回答も見られました．ただし，「記載なし」という判断自体の正確さは今回照合していません．
一方，根拠欄には「Implementation Details」「実験・データセット設定」などの説明とリンクが示されていますが，多くの項目で具体的な節番号，ページ，引用箇所は示されていませんでした．
さらに，ComADは前段の検索ではLOCO ADでの評価根拠が未確認とされていましたが，比較表では評価対象として記載されました．追加指示によって情報が具体化したものの，その根拠を原文で確認する必要があります．
次節では，表に掲載したGLCF，ComAD，THFRの3本について，一部項目を原文と照合します．
比較表を原文と照合する
比較表の先頭3本を対象に，GLCFの特徴抽出器と学習条件，ComADの特徴抽出器，THFRの正常画像数と学習条件を原文と照合しました．表の全項目を検証したわけではありません．
画像数については，データセット全体の枚数，カテゴリごとの枚数，学習用・参照用の枚数を区別して読みました．特徴抽出器については，事前学習モデルと，異常検知のために追加学習する部分を区別しました．
照合結果は，次のように記録します．ページは参照したPDFの先頭を1ページとして数えています．
| 論文・項目 | Elicitの記述 | 原文で確認した内容・場所 | 判定 |
|---|---|---|---|
| GLCF・特徴抽出器と学習 | ImageNet事前学習済みSwin Transformer-Tinyを使用し，正常画像で500エポック学習．局所特徴抽出器は凍結 | IV-B「Implementation Details」（PDF p.7）に，同じモデル，事前学習データ，学習回数，凍結条件の記載を確認 | 一致 |
| ComAD・特徴抽出器 | DINO ViT-S/8の第1ブロック特徴を使用 | 3.1節（PDF p.3）に，事前学習済みDINO ViT-S/8の第1ブロックから中間特徴を抽出する記載を確認 | 一致 |
| THFR・正常画像数と学習条件 | 正常訓練画像1,772枚，200エポック学習 | 4.1節（PDF p.6，論文頁6452）に，LOCO AD全体の訓練画像1,772枚と，各モデルを200エポック学習する記載を確認．ただし，実験はカテゴリごとに行うと明記されており，1モデルが全1,772枚を使うという意味ではない | 一部不足 |
「一致」は確認した範囲で内容が合っている場合，「一部不足」は重要な条件が抜けている場合，「誤り」は原文と矛盾する場合，「確認不能」は根拠を確認できない場合とします．
今回照合したモデル名や学習回数は原文と一致していました．一方，THFRの正常画像数については，データセット全体の枚数とカテゴリごとの学習条件を区別する補足が必要でした．そのため，THFRの正常画像数・条件は「LOCO AD全体で正常訓練画像1,772枚．カテゴリごとに200エポック学習」と補足します．この1,772枚は，手法が一般に必要とする最低画像数を示す値でもありません．
参照した原文：
使って分かった活用法と限界
今回の結果
| 観点 | 今回確認できたこと |
|---|---|
| 関連論文の探索 | 確認用5本のうち，初回は3本，条件指定後は2本が含まれた．GLCFやTHFR，LogicQAなども候補として提示された |
| 条件指定の効果 | 発見数の改善は見られなかったが，論理異常を評価している根拠と，確認できない点が明示された |
| 比較表の作成 | 9本の正常画像数，特徴抽出器，学習条件，検出の仕組み，制約を整理できた．根拠の節番号やページは多くの項目で不足していた |
| 原文との整合性 | 確認したGLCFのモデル・学習条件とComADの特徴抽出器は一致．THFRの画像数には，カテゴリごとに学習する条件の補足が必要だった |
| 追加指示への対応 | 検索一覧から実験条件を含む比較表へ情報を具体化できた．指摘後の修正対応は未検証 |
便利だったのは，候補論文を同じ観点で整理できる点です．タイトルや概要を並べるだけでなく，正常画像数，特徴抽出器，追加学習といった項目を指定することで，手法の違いを確認するための下書きが得られました．
また，「未確認」「記載なし」とする回答は，次に原文で調べる項目を決める手がかりになります．具体的な数字がない項目も，確認を省略してよいという意味ではありません．
一方，検索結果だけで関連研究を網羅することはできませんでした．今回選定したSALADとLogicADは，どちらの検索にも含まれていません．今回の2回の検索では，詳しい条件指定による確認用論文の発見数の増加は見られませんでした．
比較表の内容にも確認の手間は残ります．根拠欄に論文へのリンクがあっても，具体的な記述の場所まで示されていなければ，自分で本文を探す必要があります．また，THFRの例では，画像数そのものが合っていても，データセット全体の枚数とカテゴリごとの学習条件を区別する補足が必要でした．
比較表を完成品ではなく，確認するための下書きとして使う
今回の結果から，Elicitは候補論文の探索と，共通項目による整理に使いやすいと考えました．その後，研究に使う情報については，原文と照合して条件や根拠を補う流れが適しています．
| 作業 | Elicitに依頼する内容 | 自分で確認する内容 |
|---|---|---|
| 探索 | 候補論文と概要の提示 | 対象に合うか，重要な論文が抜けていないか |
| 整理 | 共通項目による比較表の作成 | 画像数や学習・評価条件の意味 |
| 確認 | 根拠箇所の提示，再抽出 | 原文との一致，重要な条件の抜け |
| 研究への利用 | 手法の差異や論点の整理 | 比較の妥当性，自分の研究との関係 |
特に，自分が理解している論文を確認用に含めると，検索の抜けや説明の不足に気づきやすくなります．未知の分野を調べる場合にも，生成された表を出発点として原文を読み，比較表を更新していく使い方がよさそうです．
まとめ
今回は，Elicit Research Agentを使い，産業画像の論理異常検知を題材に，論文探索から比較表の作成，原文との照合までを試しました．
- 探索： 関連論文の候補を得られた一方，確認用5本のうち見つかったのは初回3本，条件指定後2本で，検索結果には抜けが残った．
- 整理： 正常画像数，特徴抽出器，学習条件などを指定すると，9本の手法を共通の観点で整理できた．
- 確認： 照合したモデル名や学習回数には一致が見られたが，画像数の意味やカテゴリごとの条件は原文で補足する必要があった．
私の研究では，関連手法の学習条件や構成の違いを整理する際に，今回のような比較表を調査の下書きとして活用できそうです．ただし，研究で引用する情報や実験条件は，原文で根拠を確認してから利用したいと思います．今回は手作業との所要時間の比較を行っておらず，時間短縮の効果は評価していません．
今回の試行は，一つの研究テーマと限られた論文を対象にしたものです．検索は各指示につき1回で，原文照合も3本の一部項目に限られます．Elicit全体の性能を評価するものではありませんが，指示の出し方や比較表の確認方法を考える参考になれば幸いです．
参考リンク
- Elicit公式ヘルプ：Getting started with Elicit: Which workflow should I use?
- Elicit公式：Introducing Elicit Research Agent: Rigor that powers decisions
- MVTec公式：MVTec LOCO AD
- GLCF：Learning Global-Local Correspondence with Semantic Bottleneck for Logical Anomaly Detection
- ComAD：Component-aware anomaly detection framework for adjustable and logical industrial visual inspection
- THFR：Template-guided Hierarchical Feature Restoration for Anomaly Detection