서론

• Vitjan Zavrtanik, Matej Kristan, Danijel Skočaj; Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2021, pp. 1-10. DRÆM – A Discriminatively Trained Reconstruction Embedding for Surface Anomaly Detection.
• 전체 번역: DRÆM – A discriminatively trained reconstruction embedding for surface anomaly detection 논문 전체 번역
• https://arxiv.org/pdf/2108.07610.pdf

목차

1. Overall
2. Introduction & Related Work
   1. background Research
   2. Recent Research
   3. Propose
3. DRÆM
   1. Anomaly generation
   2. Reconstructive subnetwork
   3. Discriminative subnetwork
   4. Surface anomaly localization and detection
4. Experiments
   1. Datasets
      1. MVTec(15 classes)
      2. DTD(Describable Textures Dataset)
   2. Setting
   3. Surface Anomaly Detection
   4. Anomaly localization
   5. Ablation Study
   6. Comparison with supervised methods

Overall

• 기존에는 정상 이미지만을 학습하여 정상 이미지가 입력으로 들어왔을 때 유사한 이미지를 생성하는 것을 목표로하였다.
• 따라서 정상 이미지에 대해서는 잘 생성하지만 비정상 이미지에 대해서는 제대로 생성하지 못할 것이다 라는 컨샙으로 네트워크를 설계하였다.
• 그러나 이를 surface anomaly detection에 적용하였더니 이미지의 비정상적인 부분이 정교할 수록 학습 데이터의 분포에 가까운 아주 유사한 이미지 라는 것이다.
• 따라서 비정상 이미지도 정상 이미지처럼 생성해 낸다는 문제가 발생했다.
• 이러한 문제를 해결하기 위해 정상 이미지를 비정상 이미지로 만들기 위해 합성 기법을 사용해 모델이 비정상 이미지에 대해서도 학습할 수 있게 하였으나, 이번에는 합성 이미지에 overfiting이 되어 실제 비정상 이미지에 대해서는 잘 구분하지 못한다는 것이다.
• 본 논문은 위 문제를 해결하고자 Reconstruction subnetwork의 subspace를 학습에 사용하고 합성된 비정상 이미지와 정상이미지를 합성하여 두 이미지에 차를 구해 이상치를 더 도드라지게 하는 두 가지의 방법을 discriminative subnetwork에 적용한다.
• DRÆM은 2개의 Auto-Encoder 형태로 구성되어있으며 각각을 Reconstruction subnetwork와 Discriminative subnetwork 순으로 이루어져 있다.
• 전반적인 이해를 바탕으로 아래 자세히 봐보자.