MSFlow：教師なし異常検出のためのマルチスケール・フローベースフレームワーク

教師なし異常検出（Unsupervised Anomaly Detection: UAD）は、訓練に異常を含まないサンプルのみが利用可能な状況下で、多くの研究関心を引き、広範な応用を促進している。一部のUADアプリケーションでは、異常に関する情報が一切存在しない状態で、異常領域の特定（局所化）をさらに目指すことが求められる。異常サンプルおよびラベルの欠如はUADの性能を低下させる一方で、目立たないが強力な統計モデルである正規化フロー（normalizing flows）は、教師なしの枠組みにおいて異常検出および局所化に適している。正規化フローに基づく確率モデルは、異常を含まないデータのみで訓練されるが、予測不可能な異常に対して通常のデータよりもはるかに低い尤度を割り当てることで、効率的に異常を区別できる。しかしながら、予測不可能な異常のサイズ変動は、高精度な異常検出および局所化を実現するための正規化フロー手法に新たな課題をもたらす。異常サイズの変動を一般化するため、本研究では非対称な並列フローと融合フローを組み合わせた新規なマルチスケール・フロー枠組み「MSFlow」を提案する。この構造により、多スケールの特徴認識を効果的に交換・統合できる。さらに、画像単位での異常検出と画素単位での異常局所化の性質の違いを考慮し、それぞれに適した異なるマルチスケール集約戦略を採用している。提案手法MSFlowは、3つの異常検出ベンチマークデータセット上で評価され、既存手法を顕著に上回る性能を達成した。特に、難易度の高いMVTec ADベンチマークにおいて、検出のAUROCスコアが99.7%、局所化のAUCROCスコアが98.8%、PROスコアが97.1%という、新たな最先端（SOTA）の成績を達成した。実装コードは再現可能としてGitHubにて公開されている：https://github.com/cool-xuan/msflow。