多クラス異常検出の統一モデル

非監督異常検出の急速な進歩にもかかわらず、既存の手法は異なる物体ごとに個別のモデルを学習する必要がある。本研究では、複数クラスに対して統一的なフレームワークで異常検出を行う UniAD を提案する。このような困難な設定下では、一般的な再構成ネットワークが「同一ショートカット」に陥る可能性があり、正常サンプルと異常サンプルの両方が良好に再構成されてしまうため、外れ値を見逃す可能性がある。この課題に対処するために、我々は以下の3つの改善を行った。まず、全結合層、畳み込み層、および注意層の定式化を見直し、注意層内のクエリ埋め込み（query embedding）がネットワークがショートカットを学習することを防ぐ上で重要な役割を果たすことを確認した。これにより、多クラス分布をモデル化するための階層別クエリデコーダーを開発した。次に、入力特徴から再構成された出力特徴への情報漏洩をさらに防ぐために、近傍マスク付き注意モジュールを使用した。最後に、ノイジーな入力でも正しいメッセージを回復させるよう特徴揺らぎ戦略（feature jittering）を提案した。我々は MVTec-AD および CIFAR-10 データセットでアルゴリズムを評価し、十分大きな差で最先端の代替手法を超える結果を得た。例えば、MVTec-AD の15カテゴリに対する統一モデルの学習において、異常検出タスク（88.1% から 96.5%）と異常局所化タスク（89.5% から 96.8%）の両方で2位の競合他社を超えた。コードは https://github.com/zhiyuanyou/UniAD で入手可能である。