要約
自己教師あり特徴再構成手法は、産業用画像の異常検出および局在化において有望な進展を示している。しかし、これらの手法は、現実的かつ多様な異常サンプルの合成、および事前学習済み特徴における特徴の冗長性や事前学習バイアスの解消といった課題に直面している。本研究では、現実的な異常サンプルの合成と適応的特徴選択を実現する特徴再構成ネットワーク「RealNet」を提案する。本手法は以下の3つの鍵となる革新を組み込んでいる。第一に、実際の異常サンプルの分布を模倣できる、異常強度を制御可能な拡散異常合成（Strength-controllable Diffusion Anomaly Synthesis, SDAS）を提案する。これは拡散プロセスに基づく合成戦略であり、異常の強度が異なる多様なサンプルを生成可能である。第二に、検出性能を向上させつつ計算コストを制御するため、代表的かつ識別的な事前学習済み特徴サブセットを選択する異常認識特徴選択（Anomaly-aware Features Selection, AFS）を提案する。第三に、複数の粒度レベルにおいて異常領域を包括的に識別するために、識別性の高い再構成残差を適応的に選択する再構成残差選択（Reconstruction Residuals Selection, RRS）戦略を導入する。RealNetは4つのベンチマークデータセット上で評価され、最新の最先端手法と比較して、画像レベルAUROCおよびピクセルレベルAUROCの両面で顕著な性能向上が確認された。コード、データ、モデルは、https://github.com/cnulab/RealNet にて公開されている。