要約
視覚的表面異常検出は、正常な外観から著しく逸脱する画像領域を検出することを目的としている。近年の表面異常検出手法は、正常領域の正確な再構成を可能にし、異常領域では失敗する生成モデルに依存している。これらの手法は異常を含まない画像のみで訓練され、異常の局所化のためにしばしば手作業による後処理を必要とするため、検出能力を最大化するための特徴抽出の最適化が制限される。再構成的手法に加えて、本研究では表面異常検出を主に判別的問題として捉え、判別的に訓練される再構成異常埋め込みモデル（DRAEM）を提案する。本手法は、異常を含む画像とその異常を含まない再構成画像の共同表現を学習するとともに、正常例と異常例の間の決定境界も同時に学習する。このアプローチにより、ネットワーク出力に対する追加的な複雑な後処理を必要とせず、直接的に異常を局所化できる。また、単純かつ一般的な異常シミュレーションを用いた訓練が可能である。困難なMVTec異常検出データセットにおいて、DRAEMは現在の最先端の教師なし手法を大幅に上回り、広く用いられるDAGM表面欠陥検出データセットでは、完全に教師付きの手法とほぼ同等の検出性能を達成しつつ、局所化精度においてははるかに優れた結果を示した。