초록
이상 탐지는 이상 현상의 예측 불가능성으로 인해 일반적으로 일종의 일류(class) 학습 문제로 설정되는 도전적인 과제이다. 본 논문은 이 문제에 대해 간단하면서도 강력한 접근 방식을 제안하며, 이는 학습 효율성과 성능 측면에서 기존의 학생-교사(teacher-student) 프레임워크를 크게 확장한 것이다. 이미지 분류 작업에서 미리 훈련된 강력한 모델을 교사 모델로 설정하고, 동일한 아키텍처를 가진 단일 학생 네트워크에 이를 지식 증류(knowledge distillation)함으로써 정상 이미지의 분포를 학습한다. 이러한 단일 단계 전이 과정은 핵심적인 정보를 가능한 한 보존할 수 있다. 더불어, 본 연구는 프레임워크 내에 다중 스케일 특징 매칭 전략을 통합하여, 계층적인 특징 매칭을 가능하게 했다. 이를 통해 학생 네트워크는 특징 피라미드로부터 다양한 수준의 지식을 보다 효과적인 감독 하에 통합할 수 있으며, 다양한 크기의 이상을 탐지할 수 있게 되었다. 두 네트워크가 생성하는 특징 피라미드 간의 차이를 이상 발생 가능성에 대한 점수 함수로 활용함으로써, 정밀하고 빠른 픽셀 단위 이상 탐지가 가능해졌다. 이러한 기법을 통해 본 연구는 MVTec 이상 탐지 데이터셋에서 기존 최고 성능 기법들을 능가하는 매우 경쟁력 있는 성과를 달성하였다.