要約
最近の教師なし異常検出手法は、補助データセットを用いた事前学習された特徴抽出器や、精心に設計された異常シミュレートサンプルに依存する傾向がある。しかし、こうしたアプローチは補助データセットの選定に内在する事前知識や異常シミュレーション戦略に制約を受けるため、異常検出タスクの拡大に伴ってその汎用性が制限される可能性がある。この課題に対処するため、本研究では事前知識を必要としない異常生成の枠組みを提案し、その下で新たな教師なし異常検出フレームワークであるGRAD（Generative Re-weighted Anomaly Detection）を構築した。GRADは以下の三つの主要な構成要素からなる：(1) 正常画像に含まれる局所構造を保持しつつ、グローバル構造を無視することで対照的なパターンを生成する拡散モデル（PatchDiff）、(2) PatchDiffによって生成される長尾型かつラベルなしの対照パターンに対処する自己教師付き再重み付け機構、(3) 正常パターンと再重み付けされた対照パターンを効率的に区別する軽量なパッチレベル検出器。PatchDiffによる生成結果は、構造的異常や論理的異常など、多様な異常パターンを効果的に露呈している。さらに、MVTec ADおよびMVTec LOCOデータセットにおける広範な実験により、上述の観察が裏付けられ、GRADが競争力ある異常検出精度を達成するとともに、優れた推論速度を実現していることが示された。