챕터별 상세
00:30
기존 디퓨전 기반 이상 탐지의 한계점
기존 방식은 원본 이미지에 노이즈를 추가한 뒤 이를 다시 복원하여 원본과의 차이(MSE)를 계산하는 Reconstruction 패러다임을 따른다. 이 과정에서 노이즈가 너무 약하면 이상치가 파괴되지 않아 복원 후에도 원본과 차이가 없고, 너무 강하면 정상 영역까지 변형되어 오탐지가 발생하는 노이즈 강도 딜레마가 발생한다. 또한 수십에서 수백 단계의 디노이징 과정을 반복해야 하므로 추론 속도가 매우 느려 실시간 검사 환경에 부적합하다.
02:09
InvAD의 핵심 아이디어: 복원 없는 인버전
InvAD는 복원 과정을 완전히 생략하고 이미지를 노이즈 방향으로 변환하는 Inversion 과정에만 집중한다. 정상 이미지는 학습된 가우시안 분포의 중심부(High-density)로 매핑되는 반면, 비정상 이미지는 분포의 변두리(Low-density)로 밀려나는 성질을 이용한다. 이를 통해 복원 없이도 도달한 지점의 밀도 차이만으로 이상 여부를 판단할 수 있어 연산량을 획기적으로 줄였다.
13:40
잠재 공간 활용과 DDIM Inversion 아키텍처
InvAD는 픽셀 공간이 아닌 사전 학습된 EfficientNet-B4 백본에서 추출한 특징 맵(Latent Space)에서 디퓨전을 수행한다. 픽셀 단위 노이즈에 강건하고 의미론적 정보를 활용할 수 있으며, 16x16 해상도의 특징 맵을 사용해 연산 효율을 극대화했다. 여기에 PF-ODE 기반의 결정론적 DDIM Inversion을 적용하여 단 3단계의 스텝만으로도 데이터와 노이즈 간의 안정적인 1:1 대응 궤적을 확보했다.
17:57
이중 스코어링 메커니즘: NLL과 Abs 결합
단순히 도달 지점의 확률 밀도(NLL)만 측정할 경우 고차원 공간에서 정상 샘플이 오히려 낮은 라이클리후드를 보이는 역점수 현상이 발생할 수 있다. 이를 보완하기 위해 특징 맵의 채널별 L2 Norm 차이를 계산하는 Abs 스코어를 결합했다. NLL은 전역적인 비전형성을 잡고 Abs는 국소적인 이상 부위를 포착하며 서로의 약점을 보완하여 하이퍼파라미터 튜닝 없이도 안정적인 성능을 유지한다.
23:44
실험 결과 및 성능 분석
MVTec AD 데이터셋에서 99.1%의 AUROC를 기록하며 기존 디퓨전 기반 SOTA 모델인 DiAD를 능가했다. 특히 추론 속도 면에서 88.1 FPS를 달성하여 기존 모델 대비 약 880배 빠른 성능을 보였으며, 이는 임베딩 기반의 빠른 모델들보다도 4배 이상 빠른 수치이다. 또한 의료 영상 데이터셋인 BMAD에서도 별도의 도메인 특화 수정 없이 87.2%의 성능을 기록하며 높은 범용성을 입증했다.
python
def calculate_anomaly_score(z_t, prior_dist):
# NLL Score: Negative Log-Likelihood in latent space
nll_score = -prior_dist.log_prob(z_t).sum(dim=1)
# Abs Score: Norm-based Absolute difference
norm_map = torch.norm(z_t, p=2, dim=1)
abs_score = norm_map.max() - norm_map.min()
# Combined Score
final_score = nll_score + lambda_val * abs_score
return final_scoreInvAD에서 제안하는 NLL과 Abs 스코어를 결합한 이중 스코어링 로직 예시
용어 해설
- 이상 탐지(Anomaly Detection)
- — 정상적인 데이터 패턴에서 벗어난 희귀한 사례나 오류를 식별하는 기술이다. 제조 공정의 결함 진단이나 의료 영상의 병변 확인 등에서 핵심적인 역할을 수행하며, 주로 정상 데이터만으로 학습하는 비지도 학습 방식이 사용된다.
- DDIM 인버전(DDIM Inversion)
- — 디퓨전 모델의 생성 과정을 역으로 추적하여 특정 이미지를 생성하는 데 필요한 초기 노이즈 상태를 찾아내는 기법이다. 결정론적인 궤적을 따라 데이터와 노이즈 간의 1:1 대응을 가능하게 하여 이미지 편집이나 분석에 활용된다.
- 잠재 공간(Latent Space)
- — 고차원의 입력 데이터를 핵심적인 특징들로 압축하여 표현한 저차원 공간이다. 픽셀 단위의 노이즈에 덜 민감하고 데이터의 의미론적 정보를 보존할 수 있어 효율적인 모델 학습과 추론을 가능하게 한다.
- 곡선 아래 면적(AUROC)
- — 이진 분류 모델의 성능을 평가하는 지표로, ROC 곡선 아래의 면적 값을 의미한다. 1에 가까울수록 정상과 이상치를 완벽하게 구분하는 우수한 성능을 가졌음을 나타낸다.
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 03. 26.수집 2026. 03. 26.출처 타입 YOUTUBE
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.