DRAEM - 표면 이상 탐지용 분류적으로 훈련된 재구성 임베딩

시각적 표면 이상 탐지는 정상적인 외관과 크게 다름을 보이는 이미지의 국부적 영역을 탐지하는 것을 목표로 한다. 최근의 표면 이상 탐지 방법들은 정상 영역을 정확히 재구성하고 이상 영역에서는 실패하도록 하는 생성 모델에 의존하고 있다. 이러한 방법들은 이상이 없는 이미지만으로 훈련되며, 종종 이상을 국소화하기 위해 수작업으로 구성된 후처리 단계를 필요로 한다. 이는 최대 탐지 능력을 위한 특징 추출을 최적화하는 것을 어렵게 만든다. 재구성 기반 접근법 외에도, 우리는 표면 이상 탐지를 주로 구분적 문제로 간주하고, 구분적으로 훈련되는 재구성 이상 임베딩 모델(DRAEM)을 제안한다. 제안된 방법은 이상이 있는 이미지와 그 정상 재구성 이미지의 공동 표현을 학습하면서 동시에 정상과 이상 예제 사이의 결정 경계를 동시에 학습한다. 이 방법은 네트워크 출력에 대해 추가적인 복잡한 후처리가 필요 없이 직접적으로 이상을 국소화할 수 있으며, 간단하고 일반적인 이상 시뮬레이션을 사용해 훈련할 수 있다. 도전적인 MVTec 이상 탐지 데이터셋에서 DRAEM은 현재 최고의 비지도 방법들에 비해 큰 성능 차이를 보이며, 널리 사용되는 DAGM 표면 결함 탐지 데이터셋에서는 완전 지도 학습 방법에 가까운 탐지 성능을 제공하면서도 국소화 정확도 측면에서 훨씬 뛰어난 성능을 발휘한다.