초록
논리적 이상 탐지 성능을 향상시키기 위해, 일부 이전 연구들은 전통적인 이상 탐지 기법과 세그멘테이션 기술을 통합한 방법을 제안해왔다. 이러한 방법들은 효과적인 결과를 보이지만, 자주 만족스럽지 않은 세그멘테이션 성능을 초래하며, 수동 레이블링이 필요하다는 단점이 있다. 이러한 문제점을 해결하기 위해, 기반 모델( foundational models)을 활용하여 인간의 레이블링 없이도 가벼운 세그멘테이션 네트워크의 학습 레이블을 자동으로 생성할 수 있는 비지도 성분 세그멘테이션 기법을 개발하였다. 본 연구에서 제안한 패치 히스토그램 모듈과 로컬-글로벌 스터디언-티처(LGST) 모듈과 이 새로운 세그멘테이션 기법을 통합함으로써, MVTec LOCO AD 데이터셋에서 이상 탐지 AUROC를 95.3%로 달성하였으며, 기존 최고 성능(SOTA) 방법들을 초월하였다. 또한, 제안된 방법은 대부분의 기존 접근 방식보다 낮은 지연 시간(latency)과 높은 처리량(throughput)을 제공한다.