초록
재구성 기반 이상 탐지 모델은 이상에 대한 일반화 능력을 억제함으로써 그 목적을 달성한다. 그러나 그 결과 정상 패턴의 다양성도 잘 재구성되지 않는 문제가 발생한다. 일부 연구들은 샘플의 다양성을 모델링함으로써 이 문제를 완화하려는 노력을 기울였지만, 이상 정보가 부적절하게 전파되면서 단순화 학습(Shortcut Learning) 문제에 시달리고 있다. 본 논문에서는 이러한 트레이드오프 문제를 보다 효과적으로 다루기 위해, 재구성 다양성을 강화하면서도 이상에 대한 부정적인 일반화를 피할 수 있는 '다양성 측정 가능 이상 탐지(Diversity-Measurable Anomaly Detection, DMAD)' 프레임워크를 제안한다. 이를 위해, 재구성된 참조 이미지에서 원본 입력으로의 다중 스케일 변형 필드를 추정함으로써 정상 패턴의 다양성을 모델링하고 이상의 심각도를 측정하는 피라미드 변형 모듈(Pyramid Deformation Module, PDM)을 설계하였다. 정보 압축 모듈과 결합함으로써, PDM은 원형 임베딩(prototypical embedding)과 변형을 본질적으로 분리시키며, 최종 이상 점수의 신뢰도를 높인다. 감시 영상 및 산업 이미지에 대한 실험 결과는 제안한 방법의 효과성을 입증한다. 또한, 오염된 데이터와 이상과 유사한 정상 샘플이 존재하는 상황에서도 DMAD는 일관된 성능을 보여준다.