DRAEM — 표면 이상 탐지를 위한 판별적으로 훈련된 재구성 임베딩

시각적 표면 이상 탐지는 정상적인 외관과 현저히 다른 국부적인 이미지 영역을 탐지하는 것을 목표로 한다. 최근의 표면 이상 탐지 방법은 정상 영역을 정확히 재구성하고 이상 영역에서는 실패하도록 하는 생성 모델에 의존하고 있다. 이러한 방법들은 이상이 없는 이미지만으로 학습되며, 일반적으로 이상 영역의 위치를 추정하기 위해 수작업으로 설계된 후처리 단계를 필요로 하므로, 최대 탐지 능력을 갖추기 위한 특징 추출을 최적화하는 것을 방해한다. 재구성 기반 접근 외에도, 본 연구는 표면 이상 탐지를 주로 분류 문제로 간주하고, 분류적으로 학습되는 재구성 이상 임베딩 모델(DRAEM)을 제안한다. 제안된 방법은 이상이 있는 이미지와 그 정상 재구성 이미지의 공동 표현을 학습하면서 동시에 정상 예제와 이상 예제 사이의 결정 경계를 동시에 학습한다. 이 방법은 네트워크 출력에 대한 복잡한 추가 후처리 과정 없이도 직접적으로 이상 영역을 국부화할 수 있으며, 간단하고 일반적인 이상 시뮬레이션을 사용하여 학습할 수 있다. 도전적인 MVTec 이상 탐지 데이터셋에서 DRAEM은 현재의 최첨단 비감독 방법들보다 크게 우수한 성능을 보였으며, 널리 사용되는 DAGM 표면 결함 탐지 데이터셋에서는 완전 감독 방법과 거의 비슷한 탐지 성능을 달성하면서도 국부화 정확도 측면에서 훨씬 우수한 성능을 발휘한다.