AltUB: 이상 탐지용 정규화 흐름의 기본 분포 갱신을 위한 교대 학습 방법

최근 이상 탐지(Anomaly Detection) 데이터의 한정된 양으로 인해 비지도 학습 기반 이상 탐지 기술이 다양한 실용적 분야에서 주목받고 있다. 이 분야의 주요 접근 방식 중 하나는 정규화 흐름( Normalizing Flow)이며, 이는 이미지와 같은 복잡한 분포를 N(0, I)와 같은 간단한 분포로 역행 가능(invertible)하게 변환하는 것을 목표로 한다. 실제로 FastFlow 및 CFLOW-AD와 같은 정규화 흐름 기반 알고리즘은 비지도 이상 탐지 작업에서 최고 성능을 기록하고 있다. 그러나 본 연구에서는 이러한 알고리즘이 정상 이미지를 N(0, I)와 같은 표준 정규 분포로 변환하는 것이 아니라, 임의의 정상 분포로 변환하고 있음을 관찰하였다. 더불어 이러한 알고리즘의 성능은 종종 불안정하며, 검증을 위한 데이터가 제공되지 않는 비지도 학습 환경에서는 이 불안정성이 매우 심각한 문제로 작용한다. 이러한 문제를 극복하기 위해 우리는 정규화 흐름의 기저 분포(base distribution)를 업데이트하기 위해 교대 학습(Alternating Training)을 도입하는 간단한 해결책인 AltUB을 제안한다. AltUB은 정규화 흐름의 성능 안정성을 효과적으로 향상시킨다. 또한 본 연구에서 제안한 방법은 MVTec AD 데이터셋에서 이상 세그멘테이션(task)에 대해 98.8%의 AUROC를 달성하며, 새로운 최고 성능을 기록하였다.