[논문 리뷰] DRAEM -- A discriminatively trained reconstruction embedding for surface anomaly detection

Vitjan Zavrtanik, Matej Kristan외 1명|arXiv (Cornell University)|2021. 08. 17.

Anomaly Detection Techniques and Applications참고 문헌 27인용 수 38

한 줄 요약

DRAEM은 재구성 하위 네트워크와 시뮬레이션된 이상치로 학습된 판별 모듈을 공동으로 학습하여 표면 이상치를 로컬로 탐지하고 분할하며, 실제 이상치 데이터 없이 MVTec에서 최첨단 성능과 DAGM에서 강력한 성능을 달성합니다.

ABSTRACT

Visual surface anomaly detection aims to detect local image regions that significantly deviate from normal appearance. Recent surface anomaly detection methods rely on generative models to accurately reconstruct the normal areas and to fail on anomalies. These methods are trained only on anomaly-free images, and often require hand-crafted post-processing steps to localize the anomalies, which prohibits optimizing the feature extraction for maximal detection capability. In addition to reconstructive approach, we cast surface anomaly detection primarily as a discriminative problem and propose a discriminatively trained reconstruction anomaly embedding model (DRAEM). The proposed method learns a joint representation of an anomalous image and its anomaly-free reconstruction, while simultaneously learning a decision boundary between normal and anomalous examples. The method enables direct anomaly localization without the need for additional complicated post-processing of the network output and can be trained using simple and general anomaly simulations. On the challenging MVTec anomaly detection dataset, DRAEM outperforms the current state-of-the-art unsupervised methods by a large margin and even delivers detection performance close to the fully-supervised methods on the widely used DAGM surface-defect detection dataset, while substantially outperforming them in localization accuracy.

연구 동기 및 목표

• 매우 불균형하고 이상치가 없는 학습 데이터 하에서 견고한 표면 이상 탐지를 촉진한다.
• 재구성과 이상 경계선을 함께 학습하는 판별적 엔드투엔드 모델을 제안한다.
• 무거운 후처리 없이 픽셀 단위의 이상 위치화를 가능하게 한다.
• 합성의, 바로 분포 밖의 이상치를 사용하여 학습하고 실제 세계의 이상치에 일반화한다.

제안 방법

• 손상된 입력으로부터 이상치가 없는 재구성을 생성하도록 학습된 재구성 하위 네트워크.
• 연결된 [input, reconstruction]를 입력으로 하는 판별적 하위 네트워크(U-Net 유사)가 픽셀 단위의 이상 맵을 출력한다.
• 이상 시뮬레이션은 Perlin 노이즈, 임의 질감 및 블렌딩을 사용하여 I로부터 I_a를 생성한다; 실제 이상치가 필요 없다.
• 총 학습 손실 L = L_rec(I, I_r) + L_seg(M_a, M)이며 L_rec는 SSIM + L2를 사용하고, L_seg는 M(이상 맵)에 대해 Focal 손실을 사용한다.
• 이미지 수준의 이상 점수 η는 스무딩된 이상 맵 M_o에 대해 최대 풀링하여 얻는다.
• 로컬라이제이션과 탐지는 간단한 평균 필터 스무딩 및 최댓값을 η로 취하는 방식으로 구현된다.

실험 결과

연구 질문

• RQ1 실제 이상치 데이터 없이 공동 재구성-판별 프레임워크가 실제 세계의 이상치에 대한 일반화를 향상시킬 수 있는가?
• RQ2 합성 이상치 생성을 통해 픽셀 단위 이상의 위치화를 정확하게 학습할 수 있는가?
• RQ3 원본과 재구성된 외관의 조합에 대한 엔드투엔드 판별적 학습이 순수 생성적 또는 순수 판별적 접근법보다 우수한가?
• RQ4 표준 벤치마크(MVTec, DAGM)에서 DRÆM이 비지도 및 지도 방법과 비교하여 어떤 성능을 보이는가?

주요 결과

• MVTec AD에서 DRÆM은 최첨단 성능을 달성하며, 이미지 수준 탐지에서 15개 클래스 중 9개에서 AUROC가 최고이며 강력한 로컬라이제이션 성능을 보인다.
• DRÆM은 이전 방법에 비해 로컬라이제이션을 약 13.4–13.5 AP 포인트 향상시킨다.
• DAGM에서 DRÆM은 이미지 수준 이상 탐지에서 비지도 방법을 능가하고, 특히 로컬라이제이션 정확도는 일부 지도 학습 방법에 필적하거나 이를 초과한다.
• 어블레이션 연구는 재구성 구성요소와 판별 구성요소를 함께 사용하는 것이 결정적으로 중요하며, 증강 및 불투명도 무작위화가 적용된 시뮬레이션된 이상치가 결정 경계를 촘촘히 경계짓는다는 것을 보여준다.
• DRÆM은 이상치 텍스처가 최소한의 텍스처 데이터 세트에서 생성되거나 심지어 단순한 균일한 색상에서도 여전히 효과적이며, 이상치 외관 변화에 대한 로버스트성을 시사한다.