要約
再構成に基づく異常検出モデルは、異常に対する一般化能力を抑制することで目的を達成する。しかし、その結果として多様な正常パターンも十分に再構成されない問題が生じる。一部の研究では、サンプルの多様性をモデル化することでこの問題の軽減を試みているが、異常情報の不適切な伝播によりショートカット学習（shortcut learning）に陥るという課題がある。本論文では、このトレードオフ問題をより効果的に扱うために、再構成の多様性を向上させつつ、異常に対する不適切な一般化を回避する「多様性測定可能な異常検出（Diversity-Measurable Anomaly Detection, DMAD）」フレームワークを提案する。これを実現するため、再構成された参照入力から元の入力への多スケール変形場を推定することで、多様な正常パターンをモデル化し、異常の深刻度を測定する「ピラミッド変形モジュール（Pyramid Deformation Module, PDM）」を設計した。情報圧縮モジュールと統合することで、PDMは変形情報を原型的埋め込み（prototypical embedding）から本質的に分離し、最終的な異常スコアの信頼性を高める。監視動画および工業画像を対象とした実験結果から、本手法の有効性が示された。さらに、汚染されたデータや異常に類似した正常サンプルに対しても、DMADは同等の性能を発揮することが確認された。