산업용 이상 탐지에서 완전한 기억으로 나아가기

결함 부품을 식별할 수 있는 능력은 대규모 산업 제조에서 핵심적인 요소이다. 본 연구에서 다루는 특별한 도전 과제는 '콜드스타트 문제'이다. 즉, 정상(결함 없음) 예제 이미지만을 사용하여 모델을 학습하는 것이다. 특정 클래스별로 수작업으로 해결책을 마련하는 것은 가능하지만, 목표는 다양한 작업들에 대해 동시에 자동으로 잘 작동하는 시스템을 구축하는 것이다. 현재 가장 우수한 접근 방식은 ImageNet 기반의 임베딩과 이상 탐지 모델을 결합하는 것이다. 본 논문에서는 이러한 연구 방향을 확장하여, 정상 패치 특징의 최대 대표성을 갖는 메모리 백을 사용하는 \textbf{PatchCore}를 제안한다. PatchCore는 경쟁적인 추론 속도를 유지하면서도 탐지 및 위치 추정 측면에서 최신 기술 수준의 성능을 달성한다. 도전적인 대표적 데이터셋인 MVTec AD 벤치마크에서 PatchCore는 이미지 수준의 이상 탐지 AUROC 점수를 최대 $99.6\%$까지 기록하며, 다음으로 우수한 경쟁자 대비 오차를 절반 이하로 줄였다. 또한 두 개의 추가 데이터셋에서도 경쟁력 있는 성능을 보였으며, 샘플 수가 매우 적은 상황에서도 유사한 성능을 확인할 수 있었다.\freefootnote{$^*$ 아마존 AWS에서의 연구 인턴십 기간 동안 수행된 작업.} 코드: github.com/amazon-research/patchcore-inspection.