要約
多数の教師なし画像異常局所化手法は、畳み込みニューラルネットワーク（CNN）の高い汎化能力により過度な一般化（overgeneralization）に悩まされており、これにより予測の信頼性が低下している。本研究では、合成異常を活用して正常および異常特徴分布を共同最適化する手法、すなわち共同差分最適化（Collaborative Discrepancy Optimization, CDO）を提案する。CDOは、正常と異常サンプルの差分分布（Discrepancy Distributions, DDs）間の分離性能を決定する2つの主要要因、すなわち「マージン」と「重なり」を最適化するためのマージン最適化モジュールとオーバーラップ最適化モジュールを導入する。これにより、正常と異常のDD間で大きなマージンと小さな重なりが実現され、予測の信頼性が著しく向上する。MVTec2DおよびMVTec3Dにおける実験結果から、CDOが過度な一般化を効果的に抑制し、リアルタイムでの計算効率を維持しつつ優れた異常局所化性能を達成することが示された。さらに、実世界の自動車用プラスチック部品検査アプリケーションにおいても、本手法の実用性が確認された。コードはGitHubにて公開されている：https://github.com/caoyunkang/CDO。