시각적 프롬프팅과 특징 재구성 기반 이상 탐지에 이중 지도 학습을 적용한 방법

Visual Prompting Meets Feature Reconstruction-Based Anomaly Detection with Dual-Teacher Supervision

최근의 이상 탐지 방법들은 MVTec과 같은 잘 알려진 데이터셋에서 완벽에 가까운 탐지 및 분할 성능을 달성합니다. 그러나 이러한 많은 방법들은 일관된 객체 크기, 시점, 배경, 조명, 중심 배치와 같은 기본적인 가정들이 위반될 때 어려움을 겪습니다. 이러한 변화는 이상 탐지 방법을 실제로 많은 실세계 시나리오에서 사용할 수 없게 만듭니다. 이러한 제한 사항을 해결하기 위해, 우리는 세 가지 주요 기여를 제시합니다: (1) 전경-배경 마스킹을 사용하여 객체를 분리하는 시각적 프롬프팅 파이프라인; (2) 학생-교사 모델에서 교사를 동결 해제하여 도메인 적응력을 향상시키는 메커니즘; 그리고 (3) 확산 모델로 생성된 합성 이미지를 활용한 데이터 증강 전략을 통해 이상 탐지 성능을 향상시킵니다. 우리는 Masked Multiscale Reconstruction (MMR) 모델을 기반으로 하여, 어려운 AeBAD 데이터셋에서 기존 최고 성능보다 3.5%p의 성능 향상을 달성했습니다.

Recent Anomaly Detection methods achieve perfect detection and segmentation scores on well-established datasets, such as MVTec. However, many of these methods face challenges when foundational assumptions - such as consistent object scale, viewpoint, background, illumination, and centered placement - are violated. Those variations that occur render anomaly detection methods unusable in many real-world scenarios. To address these limitations, we introduce three key contributions: (1) a visual prompting pipeline that isolates objects using foreground-background masking; (2) a mechanism for unfreezing the teacher in student-teacher models to improve domain adaptability; and (3) a data augmentation strategy leveraging diffusion-generated synthetic images to enhance anomaly detection performance. We achieve a 3.5 percentage point improvement over the previous state-of-the-art on the challenging AeBAD dataset by using the Masked Multiscale Reconstruction (MMR) model as our backbone.