초록
자기지도형 특징 재구성 기법은 산업용 이미지 이상 탐지 및 위치 추정 분야에서 유망한 발전을 보여주고 있다. 이러한 성과에도 불구하고, 기존 방법들은 현실적이며 다양한 이상 샘플을 합성하는 데 어려움을 겪으며, 사전 훈련된 특징의 중복성과 사전 훈련 편향 문제를 해결하기에 여전히 한계가 있다. 본 연구에서는 현실적인 이상 샘플을 합성하고 특징 선택을 적응적으로 수행할 수 있는 특징 재구성 네트워크인 RealNet을 제안한다. 본 연구는 세 가지 핵심 혁신을 포함한다. 첫째, 실제 이상 샘플의 분포를 모방할 수 있는 다양한 이상 강도를 가진 샘플을 생성할 수 있는 확산 과정 기반의 합성 전략인 강도 조절 가능한 확산 이상 합성(SDAS)을 제안한다. 둘째, 이상 탐지 성능을 향상시키면서도 계산 비용을 통제할 수 있도록 대표적이고 구분력 있는 사전 훈련된 특징 부분집합을 선택하는 이상 인지 특징 선택(AFS) 방법을 개발한다. 셋째, 다양한 정밀도 수준에서 이상 영역을 종합적으로 식별할 수 있도록 구분력 있는 재구성 잔차를 적응적으로 선택하는 재구성 잔차 선택(RRS) 전략을 도입한다. RealNet은 네 가지 벤치마크 데이터셋에서 평가되었으며, 기존 최고 성능 기법 대비 이미지 AUROC 및 픽셀 AUROC 모두에서 의미 있는 성능 향상을 입증하였다. 코드, 데이터 및 모델은 https://github.com/cnulab/RealNet 에 공개되어 있다.