한 번 생성하고 두 번 활용하는 이상 탐지 기법

시각적 이상 탐지는 정상적인 외관에서 벗어난 영역을 분류하고 위치를 식별하는 것을 목표로 한다. 이러한 작업을 위한 주요 접근 방식으로는 임베딩 기반 방법과 재구성 기반 방법이 있다. 그러나 이러한 기법들은 산업용 이상 탐지에 있어서 either 효율성이 부족하거나 정확도가 충분하지 않다는 한계를 지닌다. 이 문제를 해결하기 위해, 재구성 네트워크 내에서의 구분 능력 잠재력을 한 번 생성하고 두 번 활용하는 POUTA(Produce Once Utilize Twice for Anomaly detection)를 제안한다. POUTA는 재구성 네트워크 내의 구분 정보 잠재력을 재사용함으로써 정확도와 효율성을 동시에 향상시킨다. 우리는 재구성 네트워크의 인코더 및 디코더 표현이 각각 원본 이미지와 재구성된 이미지의 특징을 대표할 수 있음을 관찰하였으며, 대칭적인 재구성 표현 간의 차이가 대략적으로 정확한 이상 정보를 제공함을 확인하였다. 이러한 정보를 정밀하게 보정하기 위해, POUTA는 고수준 표현과 감독 손실을 활용하여 각 구분층의 의미를 보정하는 계층적(코어스-투-파인, coarse-to-fine) 프로세스를 제안한다. 위의 모듈들을 갖춘 POUTA는 기존 기법보다 더 정밀한 이상 위치를 제공할 수 있는 능력을 갖추게 된다. 또한 표현의 재사용 구조 덕분에 구분 네트워크 내의 특징 추출 과정을 제거할 수 있어 파라미터 수를 감소시키고 계산 효율성을 향상시킨다. 광범위한 실험 결과에 따르면, POUTA는 더 낮은 비용으로도 기존의 최선의 방법들과 비교해 우수하거나 유사한 성능을 보이며, 특별한 설계 없이도 최신의 소수 샘플 이상 탐지 기법들보다 더 뛰어난 성능을 달성함으로써, 훈련 데이터 내에 내재된 표현을 효과적으로 학습할 수 있는 강력한 능력을 갖추고 있음을 입증한다.