이미지 내에서 예기치 않거나 비정상적인 구조를 탐지하고 위치를 파악할 수 있는 머신러닝 모델 개발은 제조품의 결함 검사와 같은 다양한 컴퓨터 비전 작업에서 매우 중요하다. 그러나 비정상 이미지 샘플이 거의 없거나 전혀 존재하지 않을 경우 이러한 과제는 특히 도전적이다. 본 논문에서는 정상 이미지 샘플로부터의 사전 지식만을 활용하여 이미지 내 비정상 현상을 효과적으로 탐지하고 분할할 수 있는 비지도 기반 메커니즘인 ‘딥 피처 대응(Deep Feature Correspondence, DFC)’을 제안한다. 우리는 일반적인 특징 추출 네트워크와 정교한 특징 추정 네트워크로 구성된 비대칭 쌍층 네트워크 프레임워크 내에서 DFC를 구현하며, 두 개의 쌍층 네트워크 브랜치 간의 깊은 특징 대응 관계를 모델링하고 평가함으로써 이미지 내 잠재적인 비정상 구역을 탐지한다. 더불어 DFC의 안정성과 탐지 성능을 향상시키기 위해 자체 특징 강화(Self-Feature Enhancement, SFE) 전략과 다중 컨텍스트 잔차 학습(Multi-Context Residual Learning, MCRL) 네트워크 모듈을 특별히 제안한다. 제안된 DFC 및 SFE, MCRL의 유효성을 검증하기 위해 광범위한 실험을 수행하였다. 제안한 방법은 이미지 내 국소적 영역에 나타나는 비정상 현상, 특히 산업 분야의 비정상 현상 탐지 및 분할에 매우 효과적임을 입증하였으며, 기준 데이터셋인 MVTec AD에서 최신 기술 수준을 초월하는 성능을 달성하였다. 또한 실제 산업 검사 환경에 적용한 결과, 기존 방법들에 비해 훨씬 뛰어난 성능을 보였다.