要約
深層ニューラルネットワークの最近の進展に伴い、マルチメディアにおける異常検出はコンピュータビジョン分野において大きな注目を集めている。再構成に基づく手法は近年、異常検出において非常に有望な成果を示しているが、再構成タスクにおける入力と教師信号の情報的同等性は、ネットワークが意味的特徴埋め込み（semantic feature embeddings）を効果的に学習するように強制するものではない。本研究では、この同等性を破るために、元のデータから特定の属性を消去し、それを復元（restoration）タスクとして再定式化する手法を提案する。このアプローチでは、正常データと異常データが復元誤差に基づいて区別可能であることを期待する。学習段階では、ネットワークが元の画像を復元するよう強制されることで、消去された属性に関連する意味的特徴埋め込みが学習される。テスト段階では、異常データが正常データから学習した属性に基づいて復元されるため、復元誤差が大きくなることが期待される。広範な実験により、提案手法が複数のベンチマークデータセット上で、特にImageNetにおいて、最先端のベースライン手法を著しく上回ることを確認した。特に、最高性能を示すベースラインのAUROCを10.1%向上させた。また、実世界の異常検出データセットであるMVTec ADおよび動画異常検出データセットShanghaiTechでも本手法の有効性を評価した。