DiffusionAD: 이상 탐지를 위한 노름 지도형 1단계 노이즈 제거 확산 모델

이상 탐지 기술은 산업 현장에서 뛰어난 효율성과 효과성 덕분에 광범위한 응용을 보이고 있다. 그러나 기존의 생성 기반 모델들은 재구성 품질이 최적화되지 않아 전반적인 성능에 한계를 겪어왔다. 본 연구에서는 재구성 서브넷과 세그멘테이션 서브넷으로 구성된 새로운 이상 탐지 파이프라인인 DiffusionAD를 제안한다. 주요 기술적 혁신은 확산 모델을 활용한 재구성 과정을 노이즈에서 정상 상태로의 전환(Noise-to-Norm) 패러다임으로 재정의한 점이다. 여기서 이상 영역은 가우시안 노이즈에 의해 특징이 훼손된 후, 이상 없이 정상적인 형태로 재구성된다. 이후 세그멘테이션 서브넷은 입력 이미지와 이상 없는 재구성 이미지 간의 유사성 및 차이를 기반으로 픽셀 단위의 이상 점수를 예측한다. 또한, 확산 모델의 반복적 노이즈 제거 특성으로 인해 추론 속도가 크게 저하되는 문제를 해결하기 위해, 노이즈 제거 과정을 재검토하고 단일 단계(one-step) 노이즈 제거 패러다임을 도입하였다. 이는 재구성 품질을 유지하면서도 수백 배에 달하는 속도 향상을 달성하였다. 더불어 이상의 형태가 다양함을 고려하여, 다양한 노이즈 스케일의 장점을 통합할 수 있는 노름 지도(Norm-Guided) 패러다임을 제안함으로써 재구성의 정밀도를 향상시켰다. 네 가지 표준이자 도전적인 벤치마크에서 수행된 종합적인 평가 결과, DiffusionAD는 현재 최고 수준의 기술들을 능가하며, 동시에 유사한 추론 속도를 유지함으로써 제안된 파이프라인의 효과성과 광범위한 적용 가능성을 입증하였다. 코드는 https://github.com/HuiZhang0812/DiffusionAD 에서 공개된다.