ReConPatch: 산업용 이상 탐지를 위한 대비 패치 표현 학습

제품 결함, 예를 들어 부품 오류, 구성 요소의 불일치, 손상 등의 고급 식별을 위한 이상 탐지(Anomaly Detection)는 산업 제조 분야에서 매우 중요한 역할을 한다. 결함이 드물게 발생하며 종류가 미리 알려지지 않은 특성상, 머신러닝에서 이상 탐지는 여전히 도전적인 과제로 간주된다. 이를 극복하기 위해 최근의 접근 방식들은 자연 이미지 데이터셋에서 사전 학습된 일반적인 시각적 표현을 활용하고, 관련 특징을 정제하는 방식을 사용한다. 그러나 기존의 방법들은 사전 학습된 특징과 타겟 데이터 사이에 일치하지 않는 차이를 보이거나, 특히 산업용 데이터셋에 적합하게 신중히 설계되어야 하는 입력 증강(input augmentation)을 요구하는 문제가 존재한다. 본 논문에서는 사전 학습된 모델에서 추출한 패치 특징(patch features)에 대해 선형 조절(linear modulation)을 적용하여 이상 탐지에 적합한 구분 능력을 갖춘 특징을 구축하는 ReConPatch를 제안한다. ReConPatch는 대조적 표현 학습(contrastive representation learning)을 활용하여 타겟 지향적이고 쉽게 분리 가능한 표현을 생성하도록 특징을 수집하고 분포시킨다. 대조 학습을 위한 레이블이 없는 쌍을 해결하기 위해, 데이터 표현 간의 두 가지 유사성 측정 방식—쌍 간 유사성(pairwise similarity)과 문맥적 유사성(contextual similarity)—을 의사 레이블(pseudo-labels)로 활용한다. 제안한 방법은 널리 사용되며 도전적인 MVTec AD 데이터셋에서 최고 성능(99.72%)을 달성하였으며, BTAD 데이터셋에서도 최고 수준의 이상 탐지 성능(95.8%)을 기록하였다.