要約
異常検出は、正常なサンプルと異常なサンプルを分離することを目的としており、事前学習済みネットワークは異常検出において有望なアプローチである。しかし、一クラスの訓練データ上で微調整（fine-tuning）を行う際、事前学習された特徴量を適応させる過程でパターン崩壊（pattern collapse）のリスクに直面する可能性がある。本論文では、事前学習特徴量を活用する異常検出フレームワーク「制約付き適応的射影（Constrained Adaptive Projection, CAP）」を提案する。事前学習特徴量を基盤とし、特定の入力データとその最も類似するk個の事前学習済み正常表現に対して、シンプルな線形射影ヘッドを適用することで特徴の適応を実現する。さらに、一クラスの意味特徴間の内在的関係を掘り下げるために再構成された自己注意機構（reformed self-attention）を導入する。また、潜在的なパターン崩壊を回避するための損失関数を提案する。具体的には、特定のデータとその適応された正常表現との類似性を考慮するとともに、事前学習空間と適応空間のわずかな整合性を保つ制約項を組み込む。本手法は、セマンティック異常検出およびセンサリ異常検出のベンチマークにおいて、最先端の性能を達成した。特に、CIFAR-100データセットで96.5%のAUROC、CIFAR-10データセットで97.0%のAUROC、MvTecデータセットで89.9%のAUROCを達成した。