効率的な画素ラベリングによる産業異常検出と局所化への取り組み

実践的な異常検出（Anomaly Detection: AD）タスクにおいて、異常ピクセルの手動ラベリングは高コストな作業となっています。そのため、多くのAD手法は一クラス分類器として設計され、学習セットに異常が全く含まれていない状況で訓練されることが求められ、より費用対効果の高いアプローチを実現しています。一方で、一部の先駆的な研究では、学習時に実際の異常サンプルを組み込むことでAD精度が向上することが示されていますが、この改善には労力のかかるラベリングプロセスが必要となります。本論文では、AD精度とラベリング費用のバランスを取りながら、新しいインタラクティブ画像セグメンテーション（Interactive Image Segmentation: IIS）アルゴリズムであるADClickを提案します。ADClickは革新的な残差特徴量と慎重に設計された言語プロンプトを活用して、「真値」の異常マスクを実際の欠陥画像に対して効率的に生成します。特に、既存の最先端IIS手法と比較して、ADClickは著しく高い汎化能力を示しています。異常ラベリングツールとして機能するADClickは、各学習画像につきわずか3〜5回の手動クリック注釈のみで高品質な異常ラベル（MVTec ADにおけるAP = 94.1%）を生成します。さらに、我々はADClickの機能を拡張し、異常検出と局所化のために設計された改良モデルADClick-Segを開発しました。ADClickによって推定された弱いラベルを使用してADClick-Segモデルを微調整することで、監督型ADタスクにおける最先端の性能（MVTec ADにおけるAP = 86.4%およびKSDD2におけるAP = 78.4%、PRO = 98.6%）を達成しました。