가짜를 만들라, 그리고 성공을 거두라: 분포 외 신규성 탐지의 정확성 향상을 위한 방향

이 연구에서는 이미지 기반의 신규성 탐지(image-based novelty detection)를 목표로 한다. 기존의 모델들은 상당한 진전을 이루었지만, 정상 샘플과 이상 샘플 간의 차이가 미세한 '근접 분포(near-distribution)' 설정에서 성능이 크게 저하되거나 실패하는 경향이 있다. 먼저, 기존 방법들이 근접 분포 설정에서 최대 20%까지 성능 저하를 겪음을 실험적으로 입증한다. 이후 본 연구는 점수 기반 생성 모델(score-based generative model)을 활용하여 근접 분포 조건에서의 이상 샘플 데이터를 합성하는 전략을 제안한다. 이후 이 모델을 정상 샘플과 이러한 합성 이상 샘플을 구분할 수 있도록 세부 조정(fine-tuning)한다. 제안된 전략에 대해 정량적 및 정성적 평가를 수행하고, 다양한 GAN 기반 모델들과의 성능을 비교한다. 의료 영상, 객체 분류, 품질 관리 등 다양한 응용 분야의 데이터셋을 대상으로 실시한 광범위한 실험을 통해, 제안한 방법이 근접 분포 및 전통적인 신규성 탐지 모두에서 기존 모델보다 훨씬 우수한 성능을 발휘함을 확인한다. 특히, 근접 분포 설정과 일반 설정 간의 성능 격차를 일관되게 감소시킴으로써, 실용적인 신규성 탐지의 한계를 크게 개선함을 보여준다. 코드 리포지토리는 https://github.com/rohban-lab/FITYMI 에 공개되어 있다.