要約
産業界における欠陥検出は、潜在的に発生する欠陥のデータが存在しないか、または不完全な場合に異常検出（Anomaly Detection, AD）手法を用いて一般的に対処されます。本研究では、ADのための教師-生徒アプローチにおいて以前に知られていなかった問題を発見し、その解決策を提案します。この解決策では、欠陥のない訓練サンプルに対して2つのニューラルネットワークが同じ出力を生成するように訓練されます。教師-生徒ネットワークの中心的な仮定は、異常値の場合には両方のネットワークの出力間の距離が大きくなるというものです。しかし、従来の方法では教師と生徒のアーキテクチャが類似しているため、異常値に対する距離が望ましくも小さくなってしまう問題がありました。これを解決するために、非対称教師-生徒ネットワーク（Asymmetric Student-Teacher, AST）を提案します。密度推定のために正規化フローを教師として訓練し、従来型のフィードフォワードネットワークを生徒として訓練することで、異常値に対して大きな距離を引き起こします。正規化フローの双射性により、正常データと比較して異常値に対する教師の出力が分散することが強制されます。訓練分布外では、生徒はその根本的に異なるアーキテクチャのためにこのような分散を模倣できません。我々のASTネットワークは、従来の研究で異常検出に別途使用されていた正規化フローによって誤って推定された尤度を補償します。我々は本手法がRGBおよび3Dデータに関する画像レベルでの異常検出において、現在最も関連性のある2つの欠陥検出データセットMVTec ADとMVTec 3D-ADで最先端の結果を達成することを示しています。