비대칭 학생-교사 네트워크를 이용한 산업 이상 탐지

산업 결함 검출은 잠재적으로 발생할 수 있는 결함에 대한 데이터가 없거나 불완전한 경우 이상 탐지(Anomaly Detection, AD) 방법을 통해 일반적으로 해결됩니다. 본 연구는 AD를 위한 학생-교사 접근 방식에서 이전에 알려지지 않았던 문제들을 발견하고, 결함이 없는 훈련 예제에 대해 두 신경망이 동일한 출력을 생성하도록 하는 해결책을 제안합니다. 학생-교사 네트워크의 핵심 가정은 훈련 과정에서 나타나지 않는 이상치의 경우 두 네트워크 출력 간의 거리가 더 크다는 것입니다. 그러나 이전 방법들은 학생과 교사 아키텍처의 유사성으로 인해 이상치에 대한 거리가 원하지 않게 작아지는 문제가 있었습니다. 이를 해결하기 위해 우리는 비대칭 학생-교사 네트워크(Asymmetric Student-Teacher, AST)를 제안합니다. 우리는 밀도 추정을 위한 정규화 흐름(Normalizing Flow)을 교사로, 전통적인 순방향 피드포워드 네트워크(Feed-Forward Network)를 학생으로 훈련시켜 이상치에 대해 큰 거리를 유발합니다. 정규화 흐름의 양자성(Bijectivity)은 이상치와 정상 데이터 사이에서 교사 출력의 발산(Divergence)을 강제합니다. 훈련 분포 외에서는 학생이 근본적으로 다른 아키텍처로 인해 이러한 발산을 모방할 수 없습니다. 우리의 AST 네트워크는 이전 연구에서 대체로 사용되었던 정규화 흐름으로부터 잘못 추정된尤似度（Likelihood）를 보상합니다. 우리는 본 방법론이 RGB 및 3D 데이터에 대한 이미지 레벨 이상 탐지에서 현재 가장 관련성이 높은 두 개의 결함 검출 데이터셋인 MVTec AD와 MVTec 3D-AD에서 최신 기술 수준의 결과를 생성한다는 것을 보여줍니다.注：在最后一句中，“尤似度”并非正确的韩文词汇，应该是“우선도”或“가능도”。根据上下文，这里应该是指“可能性”，因此正确的翻译应为：우리의 AST 네트워크는 이전 연구에서 대체로 사용되었던 정규화 흐름으로부터 잘못 추정된 가능도(Likelihood)를 보상합니다.