要約
従来の再構成に基づく手法は、異常検出において競争力のある性能を達成することが困難であった。本論文では、対象画像を条件として画像再構成を行う新しいノイズ除去プロセスである「Denoising Diffusion Anomaly Detection（DDAD）」を提案する。この手法により、再構成結果が対象画像と類似した一貫性のある形で復元される。本研究の異常検出手法は、条件付きメカニズムを採用しており、対象画像を入力画像として設定することで、ノイズ除去プロセスをガイドする。これにより、異常が存在しない状態での再構成が可能となり、標準的なパターンが維持される。その後、入力画像と再構成画像とのピクセル単位および特徴量単位の比較を通じて、異常領域を局所化する。さらに、特徴量比較の効果を高めるために、条件付きノイズ除去プロセスから生成されるほぼ同一のサンプルを活用したドメイン適応手法を導入し、事前学習済みの特徴抽出器を微調整する。DDADの有効性は、MVTecやVisAなどの複数のベンチマークデータセット上で検証され、画像レベルのAUROCにおいてそれぞれ99.8%および98.9%という最先端の性能を達成した。