要約
製造工程における不良品の検出は、製品の品質および安全基準を確保するために極めて重要である。多くの欠陥は極めて稀に発生し、事前にその特性が不明であるため、その検出は依然として未解決の研究課題である。本研究では、DifferNetを提案する。この手法は、畳み込みニューラルネットワーク（CNN）によって抽出された特徴の記述能力を活用し、正規化フロー（normalizing flows）を用いてそれらの密度を推定する。正規化フローは低次元データ分布の取り扱いに適しているが、画像のような高次元データに対しては性能が劣る。そこで、マルチスケールの特徴抽出器を導入することで、正規化フローが画像に対して意味のある尤度を割り当てられるようにする。この尤度に基づき、欠陥を示すスコア関数を構築する。さらに、スコアを画像に逆伝播させることで、ピクセル単位での欠陥局所化が可能となる。高いロバスト性と性能を実現するため、訓練および評価の両フェーズで複数の変換を活用する。他の多くの手法とは異なり、本手法は大量の訓練データを必要とせず、最低16枚の画像でも良好な性能を発揮する。MVTec ADおよび新しく提案されたMagnetic Tile Defectsデータセットという、極めて困難なベンチマークにおいて、既存手法を上回る優れた性能を実証した。