17일 전

확산 모델에서 노이즈의 동적 추가를 통한 이상 탐지

Justin Tebbe, Jawad Tayyub
확산 모델에서 노이즈의 동적 추가를 통한 이상 탐지
초록

확산 모델은 정상 데이터 분포를 포착하고 재구성 기반으로 이상을 탐지함으로써 이상 탐지 분야에서 유용한 응용을 찾았다. 이러한 모델의 장점에도 불구하고, 크기가 다른 이상, 특히 전체 부품의 누락과 같은 큰 크기의 이상에 대한 국소화는 여전히 어려운 과제이다. 이 문제를 해결하기 위해 우리는 Meng 등(2022)이 제안한 이전의 은닉 조건화(implicit conditioning) 접근법을 세 가지 중요한 방식으로 확장하는 새로운 프레임워크를 제안한다. 첫째, 초기 이상 예측을 기반으로 전방 과정에서 노이즈 추가 단계를 동적으로 조절하는 동적 단계 크기 계산 방식을 도입한다. 둘째, 추가 노이즈 없이 단지 스케일링된 입력만을 복원하는 방식이 기존의 복원 과정보다 더 뛰어난 성능을 보임을 입증한다. 셋째, 이미지를 잠재 공간(latent space)에 투영함으로써 세부 정보를 추상화하여 큰 부품의 누락 재구성에 방해가 되는 요소를 제거한다. 또한, 타겟 도메인의 세부 사항을 효과적으로 학습할 수 있도록 하는 미세 조정(fine-tuning) 메커니즘을 제안한다. 제안한 방법은 VisA, BTAD, MVTec와 같은 주요 이상 탐지 데이터셋에서 철저한 평가를 거쳐 뛰어난 성능을 입증하였다. 특히, 본 프레임워크는 이상의 크기에 관계없이 효과적으로 이상을 국소화할 수 있어, 확산 기반 이상 탐지 분야에서 중요한 전환점이 될 수 있는 진전을 이루었다.

확산 모델에서 노이즈의 동적 추가를 통한 이상 탐지 | 최신 연구 논문 | HyperAI초신경