분포 외 탐지용 확산 모델: 도로 환경 및 그 이상에 적용

최근 몇 년간 의미 분할(semantic segmentation)에 대한 분포 외(out-of-distribution, OoD) 탐지 연구는 주로 의미적 다양성이 제한된 도로 환경에 집중되어 왔다. 본 연구에서는 이러한 제약을 도전하고, 이 작업의 적용 영역을 일반적인 자연 이미지로 확장한다. 이를 위해 다음과 같은 두 가지 요소를 제안한다: 1) 의미적 다양성이 높은 다양한 도메인의 이미지를 포함하는 ADE20k 데이터셋 기반의 ADE-OoD 벤치마크, 그리고 2) 증가된 의미적 다양성에 대해 강건한 분포 외 탐지를 위한 새로운 접근법인 확산 점수 매칭(Diffusion score matching)을 활용한 DOoD(Diffusion-based OoD detection) 기법. ADE-OoD는 실내 및 실외 이미지를 포함하며, 150개의 의미적 카테고리를 내분포(in-distribution)로 정의하고, 다양한 분포 외 객체를 포함하고 있다. DOoD는 MLP 아키텍처를 갖춘 확산 모델을 내분포 의미 임베딩(semantic in-distribution embeddings)에 대해 훈련하고, 추론 시 점수 매칭(score matching) 해석을 기반으로 픽셀 단위의 OoD 점수를 계산한다. 일반적인 도로 환경 OoD 벤치마크에서 DOoD는 훈련 시 이상치(outliers)를 사용하지 않거나 데이터 도메인에 대한 가정을 하지 않음에도 불구하고 기존 최고 성능 기법과 동등하거나 더 우수한 성능을 보였다. ADE-OoD에서 DOoD는 기존 접근법을 능가하지만, 여전히 향후 개선을 위한 큰 여지가 남아 있다.