초록
최근의 비지도 이상 탐지 방법은 보통 보조 데이터셋을 활용해 사전 학습된 특징 추출기나 잘 설계된 이상 시뮬레이션 샘플에 의존하는 경우가 많다. 그러나 이러한 접근 방식은 보조 데이터셋 선택에 대한 사전 지식이나 이상 시뮬레이션 전략에 기인한 제약으로 인해 점점 증가하는 이상 탐지 과제에 대한 적응성에 한계를 가질 수 있다. 이 문제를 해결하기 위해, 본 연구에서는 사전 지식이 없는 이상 생성 파라다임을 제안하고, 이를 기반으로 새로운 비지도 이상 탐지 프레임워크인 GRAD를 개발한다. GRAD는 세 가지 핵심 구성 요소로 구성된다: (1) 정상 이미지에 존재하는 국소 구조는 유지하면서 전반적인 구조는 무시함으로써 대조 패턴을 생성하는 확산 모델(PatchDiff), (2) PatchDiff가 생성한 장기간 편향(롱테일) 및 레이블이 없는 대조 패턴을 효과적으로 다루기 위한 자기지도 재가중 메커니즘, (3) 정상 패턴과 재가중된 대조 패턴을 효율적으로 구분하는 가벼운 패치 수준 탐지기. PatchDiff의 생성 결과는 구조적 이상 및 논리적 이상과 같은 다양한 유형의 이상 패턴을 효과적으로 드러낸다. 또한 MVTec AD 및 MVTec LOCO 데이터셋을 대상으로 수행한 광범위한 실험 결과는 위의 관측을 뒷받침하며, GRAD가 경쟁력 있는 이상 탐지 정확도를 달성함과 동시에 우수한 추론 속도를 보임을 입증한다.