산업 이상 감지 위한 점진적 경계 안내 이상 합성

비지도 이상 탐지 방법은 단지 정상 샘플만을 사용하여 산업 이미지의 표면 결함을 식별할 수 있습니다. 하나 클래스에서 학습할 때 과적합의 위험이 있으므로, 인공적인 이상을 생성하여 탐지 능력을 향상시키기 위한 이상 합성 전략이 도입되었습니다. 그러나 기존 전략들은 보조 데이터셋에서의 이상 텍스처에 크게 의존하고 있으며, 이로 인해 이상 합성의 범위와 방향성에 대한 제한이 있어 유용한 정보를 포착하지 못하거나 중복성이 크게 발생할 수 있습니다. 이러한 문제들을 해결하기 위해, 우리는 새로운 점진적 경계 안내형 이상 합성 (Progressive Boundary-guided Anomaly Synthesis, PBAS) 전략을 제안합니다. 이 전략은 세 가지 주요 구성 요소로 이루어져 있습니다: 근사 경계 학습 (Approximate Boundary Learning, ABL), 이상 특징 합성 (Anomaly Feature Synthesis, AFS), 그리고 개선된 경계 최적화 (Refined Boundary Optimization, RBO).먼저 ABL은 정상 샘플들의 분포를 더 밀집하게 만들기 위해 중심 제약 조건을 통해 근사적인 결정 경계를 학습합니다. 이를 통해 특징 정렬을 이용하여 중심 초기화를 개선합니다. 다음으로 AFS는 정상 특징의 초구(hypersphere) 분포를 가이드로 하여 더 유연한 크기로 방향적으로 이상을 합성합니다. 하지만 경계가 너무 느슨하여 실제 이상을 포함할 가능성이 있으므로, RBO는 인공적인 이상과 정상 특징의 이진 분류를 통해 결정 경계를 개선합니다.실험 결과, 우리의 방법은 MVTec AD, VisA, MPDD 등 널리 사용되는 세 가지 산업 데이터셋에서 최고 수준의 성능과 가장 빠른 탐지 속도를 달성했습니다. 코드는 다음과 같은 URL에서 제공될 예정입니다: https://github.com/cqylunlun/PBAS.