要約
論理的な異常検出の性能向上を目指して、一部の先行研究ではセグメンテーション技術を従来の異常検出手法と統合するアプローチが採用されている。これらの手法は効果的ではあるが、頻繁に不十分なセグメンテーション結果をもたらし、手動でのラベル付けを必要とするという課題を抱えている。この問題を解決するため、本研究では基礎モデル（foundation models）を活用し、人為的なラベル付けを一切行わずに軽量なセグメンテーションネットワークの学習ラベルを自律的に生成する、教師なしのコンポーネントセグメンテーション手法を開発した。本手法を提案する「Patchヒストグラムモジュール」と「局所-グローバル学生-教師（Local-Global Student-Teacher: LGST）モジュール」と統合することで、MVTec LOCO ADデータセットにおいて95.3%の検出AUROCを達成し、従来の最先端（SOTA）手法を上回った。さらに、本手法は多数の既存アプローチと比較して、より低いレイテンシと高いスループットを実現している。