GLAD: 비지도 이상 탐지를 위한 전역 및 국부 적응형 확산 모델을 통한 더 나은 재구성

확산 모델은 비지도 이상 탐지 작업에서 뛰어난 성능을 보여왔다. 정상 데이터만으로 학습되기 때문에 확산 모델은 테스트 이미지의 정상적인 대응 이미지를 특정 노이즈를 포함하여 재구성하는 경향이 있다. 그러나 이러한 방법들은 모든 가능한 이상을 동일하게 취급하기 때문에 두 가지 주요 문제를 야기할 수 있다. 전반적인 관점에서 보면, 다양한 이상을 가진 이미지의 재구성 난이도는 불균형하다. 따라서 모든 샘플에 동일한 설정을 적용하는 것이 아니라, 확산 모델로부터 추출한 사전 지식과 이미지 내용 간의 차이를 평가함으로써 각 샘플에 대해 특별한 노이즈 제거 단계를 예측하는 방식을 제안한다. 국소적인 관점에서 보면, 동일한 이미지 내에서도 이상 영역의 재구성은 정상 영역과 다를 수 있다. 이론적으로 확산 모델은 각 단계마다 노이즈를 예측하며, 일반적으로 표준 정규 분포를 따르게 된다. 그러나 이상 영역과 그 잠재적 정상 대응 영역 간의 차이로 인해, 이상 영역에서 예측된 노이즈는 표준 정규 분포에서 필연적으로 벗어나게 된다. 이를 해결하기 위해 학습 과정에 인공적으로 생성된 이상 샘플을 도입하여 확산 모델이 표준 정규 분포의 제약을 극복하도록 유도하고, 추론 과정에서는 공간 적응형 특징 융합 방식을 활용한다. 위와 같은 수정을 통해, 전역적이고 국소적으로 적응 가능한 확산 모델(Goal and Local Adaptive Diffusion model, 약칭 GLAD)을 제안한다. 이 모델은 뛰어난 유연성을 제공하며, 이상을 포함하지 않은 재구성 결과를 도출하면서도 가능한 한 많은 정상 정보를 유지한다. 제안된 방법의 효과를 입증하기 위해 MVTec-AD, MPDD, VisA 세 가지 일반적으로 사용되는 이상 탐지 데이터셋과 우리가 통합한 인쇄 회로 기판 데이터셋(PCB-Bank)에서 광범위한 실험을 수행하였으며, 그 결과 제안된 방법의 우수성을 입증하였다.