분포에 집중하기: 이상 탐지 및 국소화를 위한 굵기에서 세밀함으로의 비대조적 학습

비감독 이상 탐지의 핵심은 정상 샘플의 밀집된 분포를 학습하고, 테스트 단계에서 이상치를 이상으로 탐지하는 데 있다. 한편, 실세계에서의 이상은 특히 산업 응용 분야에서 고해상도 이미지 내에서 미세하고 세부적인 특징을 가진 경우가 많다. 이러한 문제를 해결하기 위해 우리는 비감독 이상 탐지 및 위치 추정을 위한 새로운 프레임워크를 제안한다. 본 방법은 정상 이미지로부터 밀집되고 밀도 높은 분포를 조잡한 것에서 세밀한 것으로 나누어 정렬하는 과정을 통해 학습하는 것을 목표로 한다. 조잡한 정렬 단계에서는 이미지 및 특징 수준에서 객체의 픽셀 단위 위치를 표준화한다. 이후 세밀한 정렬 단계에서는 배치 내 모든 대응 위치 간의 특징 유사도를 밀집적으로 최대화한다. 정상 이미지만을 이용한 학습을 촉진하기 위해, 세밀한 정렬 단계를 위한 새로운 사전 작업(pretext task)인 비대조 학습(non-contrastive learning)을 제안한다. 비대조 학습은 이상 샘플에 대한 가정 없이 강건하고 구분력 있는 정상 이미지 표현을 추출할 수 있으며, 이로 인해 모델이 다양한 이상 상황에 일반화될 수 있도록 한다. MVTec AD 및 BenTech AD라는 두 가지 대표적인 산업용 데이터셋에서 실시한 광범위한 실험을 통해, 본 프레임워크가 다양한 실세계 결함을 효과적으로 탐지하며, 산업 분야의 비감독 이상 탐지에서 최신 기준(SOTA)을 달성함을 입증하였다.