초록
이전의 비지도 산업 이상 탐지 연구들은 주로 균열이나 색상 오염과 같은 국소적 구조적 이상에 초점을 맞추어 왔다. 이러한 이상 유형에 대해 높은 탐지 성능을 달성했지만, 장거리 의존성(예: 정상적인 객체가 잘못된 위치에 놓인 경우)을 위반하는 논리적 이상에 대해서는 한계를 보이고 있다. 본 논문에서는 기존의 지식 증류 기법을 기반으로, 두 개의 학습자(국소적 학습자와 전역적 학습자)를 활용하여 교사의 행동을 더 정교하게 모방하는 방식을 제안한다. 기존 연구에서 주로 사용되던 국소적 학습자는 구조적 이상 탐지에 집중하는 반면, 전역적 학습자는 논리적 이상 탐지에 초점을 맞춘다. 또한 전역적 학습자가 장거리 의존성을 효과적으로 학습할 수 있도록, 전역적 맥락 압축 블록(GCCB, Global Context Condensing Block)을 설계하고, 학습 및 이상 점수 산정을 위한 맥락 유사성 손실(Contextual Affinity Loss)을 제안한다. 실험 결과, 제안한 방법은 복잡한 학습 기법 없이도 MVTec LOCO AD 데이터셋에서 새로운 최고 성능(SOTA, State-of-the-Art)을 달성함을 확인하였다.