초록
대부분의 비지도 이미지 이상 탐지 방법은 합성곱 신경망(Convolutional Neural Networks, CNN)의 높은 일반화 능력으로 인해 과도한 일반화(overgeneralization) 문제를 겪으며, 이로 인해 예측의 신뢰성이 저하된다. 본 연구는 합성 이상(synthetic anomalies)을 활용하여 정상 및 비정상 특징 분포를 공동 최적화하는 방식으로 이 문제를 완화하고자 한다. 이를 위해 공동 불일치 최적화(Collaborative Discrepancy Optimization, CDO)를 제안한다. CDO는 정상 및 비정상 샘플의 불일치 분포(Discrepancy Distributions, DDs) 간의 간격(margin)과 겹침(overlap)이라는 이상 탐지 성능을 결정짓는 두 가지 핵심 요소를 최적화하기 위해, 마진 최적화 모듈과 겹침 최적화 모듈을 도입한다. CDO를 적용함으로써 정상과 비정상 DDs 사이에 넓은 간격과 작은 겹침을 확보할 수 있으며, 이는 예측 신뢰도를 크게 향상시킨다. MVTec2D 및 MVTec3D 데이터셋에서의 실험 결과, CDO는 과도한 일반화를 효과적으로 완화하고 실시간 계산 효율성을 유지하면서 뛰어난 이상 탐지 성능을 달성함을 입증하였다. 또한, 실제 자동차 플라스틱 부품 검사 응용 사례를 통해 제안된 CDO의 실용성과 유용성을 추가로 입증하였다. 코드는 https://github.com/caoyunkang/CDO 에서 공개되어 있다.