RealNet: A Feature Selection Network with Realistic Synthetic Anomaly for Anomaly Detection
RealNet: A Feature Selection Network with Realistic Synthetic Anomaly for Anomaly Detection
CVPR 2024, 2024-07-26 기준 6회 인용
Task
- Anomaly Detection
Contributions
- Diffusion 모델에 perturbation 을 추가해서 anomaly image 생성
- Anomaly-aware Features Selection (AFS) 를 통해서 anomalous features 를 선택
- Reconstruction Residuaals Selection (RSS) 를 통해서 가장 anomalous 한 information 부분을 사용
Proposed Method
Strength-controllable Diffusion Anomaly Synthesis
Denoising Diffusion Probabilistic Models (DDPM) 의 forward diffusion process 로 original data distribution 을 학습
즉, 정상 데이터 이미지의 분포를 학습
anomalous images 를 생성하기 위해서 additional perturbation 을 추가
$s$ 를 통해서 anomaly strength 를 조절
정상 분포에서 벗어난 anomalous images 를 생성
Perline noise generator 를 이용해서 anomaly mask $M$ 을 생성
anomaly mask 를 기반으로 normal image $I$ 와 anomalous image $P$ 와 blending
Anomaly-aware Feature Selection
feature map channel 마다 $L_{AFS}$ 를 연산하고 작은 값들을 선택
큰 의미로 (blending 된 이미지 - 원본 이미지) - anomaly mask 이기 때문에 anomalous regions 정보가 잘 담겨있는 feature 를 selection 하는 과정
Reconstruction Residuals Selection
RRS selects only a subset of reconstruction residuals that contain the most anomalous information for the anomaly score generation
Global Max Pooling 과 Global Average Pooling 을 사용해서 가장 anomalous information 이 많이 포함된 부분을 선택
Synthetic Industrial Anomaly Dataset
각 category 별로 10,000 장의 anomaly images 를 생성
해상도는 $256 \times 256$ 크기로
Experimental Results
다른 anomaly synthesis 방법과의 비교 분석
본 논문에서 제안하는 방법으로 synthetic anomaly images 를 만들어서 학습하는 것이 가장 성능이 좋다
다른 anomaly detection 방법들과의 비교 분석