セグメンテーションベースの二段階型ニューラルネットワークは、表面欠陥検出において優れた成果を示しており、比較的小さなサンプル数からも学習が可能であることが特徴である。本研究では、二段階ネットワークのエンド・ツー・エンド学習を導入するとともに、学習プロセスに対する複数の拡張を提案することで、トレーニング時間の削減と表面欠陥検出タスクにおける性能向上を実現した。エンド・ツー・エンド学習を実現するため、学習過程全体にわたりセグメンテーション損失と分類損失の寄与を適切にバランスさせる設計を行った。特に、分類側からセグメンテーションネットワークへの勾配フローを調整し、不安定な特徴が学習を妨げるのを防いだ。さらに、学習プロセスの拡張として、負例サンプルの使用頻度に基づくサンプリング戦略を提案し、トレーニング中に発生しがちな画像の過剰・不足サンプリング問題を緩和した。また、領域ベースのセグメンテーションマスクに対して距離変換アルゴリズムを適用し、正例ピクセルに対する重みとして用いることで、欠陥の存在確率が高い領域に高い重要度を付与しつつ、詳細なアノテーションを必要としない方法を採用した。本手法のエンド・ツー・エンド学習スキームおよび提案された拡張技術の有効性を、DAGM、KolektorSDD、Severstal Steel欠陥データセットの3つの欠陥検出データセット上で検証した。その結果、最先端の性能を達成し、DAGMおよびKolektorSDDでは100%の検出率を達成し、両データセットを完全に解消することを示した。さらに、3つのデータセットすべてに対して実施したアブレーションスタディにより、各提案拡張技術が全体的な性能向上にどのように寄与しているかを定量的に確認した。