ドメインシフトを伴う産業異常検出：現実世界のデータセットとマスク多スケール再構成

産業異常検出（IAD）は、産業用品質検査の自動化において極めて重要である。包括的なIADアルゴリズムの開発の基盤となるのは、データセットの多様性である。現存するIADデータセットは、データカテゴリの多様性に注目しているが、同一カテゴリ内におけるドメインの多様性にはほとんど注意を払っていない。本論文では、このギャップを埋めるために、航空エンジンブレード異常検出（AeBAD）データセットを提案する。このデータセットは、単一ブレードデータセットとブレードの動画異常検出データセットの2つのサブデータセットから構成されている。既存のデータセットと比較して、AeBADは以下の2つの特徴を持つ：1）対象となるサンプルはアライメントされておらず、スケールが異なる。2）テストセットにおける正常サンプルの分布とトレーニングセットにおける分布の間にドメインシフトが存在し、その主な原因は照明条件や視点の変化である。このデータセットを基に、現在の最先端（SOTA）IAD手法が、テストセットにおける正常サンプルのドメインがシフトする状況では限界に達することを観察した。この問題に対処するため、我々はマスク付きマルチスケール再構成（MMR）と呼ばれる新しい手法を提案する。MMRは、正常サンプル内のピクセル領域間の因果関係を推論する能力を向上させるために、マスク付き再構成タスクを導入している。AeBADデータセットにおいて、MMRはSOTA手法と比較して優れた性能を達成した。さらに、MVTec ADデータセットにおいても、異なる種類の異常を検出する際、MMRはSOTA手法と同等の性能を示した。コードおよびデータセットは、https://github.com/zhangzilongc/MMR で公開されている。