CFLOW-AD：条件付きノーマライジングフローを用いたリアルタイム非教師あり異常検出と局所化

教師なし異常検出と局所化は、ラベル付けが不可能な状況や、訓練データに完全に異常例が存在しない場合に多くの実用的応用を持つ。近年提案されたこのようなデータ設定に対応するモデルは高い精度を達成しているが、その複雑さがリアルタイム処理において制約となる。本論文では、リアルタイム処理に適したモデルを提案し、従来手法との関係を解析的に導出する。本研究で提唱するCFLOW-ADモデルは、異常検出と局所化に適応された条件付き正規化フロー（conditional normalizing flow）フレームワークに基づく。特に、CFLOW-ADは判別的に事前学習されたエンコーダと、マルチスケールの生成的デコーダから構成され、後者のデコーダが符号化された特徴量の尤度を明示的に推定する。このアプローチにより、計算およびメモリ効率の高いモデルが実現された。同じ入力設定下で、CFLOW-ADは従来の最先端手法と比較して、10倍速く、かつ10倍小さくなる。MVTecデータセットにおける実験結果から、CFLOW-ADは検出タスクにおいて0.36%のAUROC向上、局所化タスクにおいては1.12%のAUROCおよび2.5%のAUPROの向上を達成した。本研究では、完全に再現可能な実験を含むコードをオープンソースとして公開する。