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.
• 논문 리뷰: DRÆM – A discriminatively trained reconstruction embedding for surface anomaly detection 논문 리뷰
• https://arxiv.org/pdf/2108.07610.pdf

목차

1. Introduction & Related Work
   1. background Research
   2. Recent Research
   3. Propose
2. Abstract
3. Introduction
4. Related work
5. DRÆM
   1. 3.1 Reconstructive subnetwork
   2. 3.2. Discriminative subnetwork
   3. 3.3. Simulated anomaly generation
   4. 3.4. Surface anomaly localization and detection
6. 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

Introduction & Related Work

background Research

Recent surface anomaly detection methods rely on generative models to accurately reconstruct the normal areas and to fail on anomalies.

• 최근 surface anomaly detection방법들이 generative model을 활용하여 정상적인 이미지에 대해서는 정확하게 reconstruction하고 비정상적인 이미지에서는 실패하는 방식으로 네트워크가 설계되었다.

Recent Research

Reconstructive methods, such as Autoencoders [5, 1, 2, 26] and GANs [24, 23], have been extensively explored since they enable learning of a powerful reconstruction subspace, using only anomaly-free images.

• AutoEncoder와 GANs와 같은 Reconstructive 방법은 정상적인 이미지만을 가지고 강력한 reconstruction subspace(부분공간)을 학습할 수 있음으로 광범위하게 탐구되었다.

These methods are trained only on anomaly-free images, and often require hand-crafted post-processing steps to localize the anoma- lies, which prohibits optimizing the feature extraction for maximal detection capability.

• 이러한 방법은 이상치가 없는 이미지(anomaly-free images)에 대해서만 학습해야 하고 이상치(anomaly)가 어디에 위치하는지 식별하기 위해 서는 사람이 손수 후처리 단계를 요구한다. 그러나 손수 후처리 과정이 모델의 학습 과정에 포함되어 있지 않기 때문에 이상치의 위치를 감지에 필요한 중요한 feature extraction을 최적화하지 못하게 된다.