注目モジュールが産業用検査における画像レベル異常検出を向上させる：DifferNetのケーススタディ

（半）自動化視覚産業検査において、深層ニューラルネットワークを含む学習ベースのアプローチは、高解像度画像上のピクセル単位で微小な欠陥パターンを処理可能にする。こうした稀に発生する欠陥パターンの出現は、ラベル付きデータコーパスの一般的必要性を説明している。本研究では、この課題を軽減し、非教師付き視覚検査の現状技術をさらに進展させるために、アテンションモジュールを統合したDifferNetベースの新アプローチ、AttentDifferNetを提案する。本手法は、産業検査における3つの視覚異常検出データセット、InsPLAD-fault、MVTec AD、Semiconductor Waferにおいて、画像レベルの検出および分類性能を向上させた。最先端技術と比較して、AttentDifferNetは優れた結果を達成しており、本研究の定性的・定量的評価を通じてその優位性が明確に示された。定量評価の結果、全3データセットを統合した全体のAUROCにおいて、DifferNetと比較して平均1.77 ± 0.25百分率ポイントの向上が確認され、特に産業現場での実環境検査を想定したInsPLAD-faultデータセットにおいて、最先端（SOTA）の性能を達成した。また、AttentDifferNetの変種が現在検討されているアプローチの文脈において大きな可能性を示したことに鑑み、本研究ではアテンションの重要性を強調するベースラインを提示した。これは、実環境および制御環境の両方において産業用異常検出にアテンション機構が不可欠であることを示唆している。