AnoDDPM: 단체 노이즈를 이용한 복원 확산 확률 모델을 통한 이상 탐지

생성 모델은 정상적인 참조 데이터를 학습함으로써 이상 탐지에 강력한 메커니즘을 제공할 수 있음을 보여왔다. 이러한 모델은 이후 이상을 평가하는 기준으로 사용할 수 있는 정상 상태의 기준선을 형성한다. 본 연구에서는 비지도 이상 탐지에 대해 소음 제거 확산 확률 모델(Denoising Diffusion Probabilistic Models, DDPMs)을 고려한다. DDPM은 생성적 적대 신경망(GANs)에 비해 더 우수한 모드 커버리지와 변분 오토인코더(VAEs)보다 더 높은 샘플 품질을 제공하지만, 긴 마르코프 체인 시퀀스가 필요하기 때문에 확장성은 낮고 샘플링 시간이 길어지는 단점이 있다. 본 연구에서는 재구성 기반 이상 탐지에서 전체 길이의 마르코프 체인 확산이 필수적이지 않음을 관찰하였다. 이를 바탕으로 고해상도 영상에 확장 가능한 새로운 부분 확산 이상 탐지 전략인 AnoDDPM을 제안한다. 또한, 가우시안 확산은 큰 이상을 잘 포착하지 못한다는 문제를 해결하기 위해, 타겟 이상 크기를 제어할 수 있는 다중 해상도 단순형 노이즈 확산 과정을 개발하였다. 단순형 노이즈를 사용한 AnoDDPM은 22개의 T1 강조 MRI 영상(22 T1-weighted MRI scans, CCBS 에든버러)으로 구성된 종양 데이터셋에서 f-AnoGAN 및 가우시안 확산보다 정성적·정량적으로 크게 우수함을 입증하였으며, 소렌센-디스 계수(Sorensen-Dice coefficient)는 +25.5%, IoU는 +17.6%, AUC는 +7.4% 개선되었다.