초록
제조 오류 탐지는 제품 품질과 안전 기준을 보장하기 위해 제조 공정에서 매우 중요한 과제이다. 많은 결함이 매우 드물게 발생하며, 사전에 그 특성이 거의 알려져 있지 않기 때문에, 이러한 결함을 탐지하는 것은 여전히 해결되지 않은 연구 과제이다. 이를 위해 우리는 DifferNet을 제안한다. 이 방법은 합성곱 신경망(CNN)이 추출한 특징의 설명력(의미 전달 능력)을 활용하여 정규화 흐름(normalizing flows)을 이용해 특징의 밀도를 추정한다. 정규화 흐름은 저차원 데이터 분포 처리에 매우 적합하지만, 이미지와 같은 고차원 데이터에는 어려움을 겪는다. 따라서 우리는 다중 스케일 특징 추출기(multi-scale feature extractor)를 도입함으로써 정규화 흐름이 이미지에 대해 의미 있는 가능도(likelihood)를 할당할 수 있도록 한다. 이러한 가능도를 기반으로 결함을 나타내는 점수 함수를 개발하였으며, 이 점수를 이미지로 역전파하면 픽셀 단위의 결함 위치를 정밀하게 식별할 수 있다. 높은 견고성과 성능을 달성하기 위해 학습 및 평가 과정에서 여러 가지 변환을 활용한다. 기존의 대부분의 방법들과 달리, 본 방법은 대량의 학습 샘플을 요구하지 않으며, 최소 16장의 이미지만으로도 우수한 성능을 발휘한다. 제안된 MVTec AD 및 Magnetic Tile Defects와 같은 도전적인 새로운 데이터셋에서 기존의 접근법들에 비해 뛰어난 성능을 입증하였다.