챕터별 상세
00:00
서론 및 연구 배경
산업용 이미지 이상 탐지(IAD)는 정상 데이터만으로 학습하는 Unsupervised 방식을 주로 채택한다. 기존에는 ImageNet으로 사전 학습된 모델을 활용해 패턴 붕괴 문제를 해결해 왔으나, 클래스 분류 목적의 ImageNet과 이상 탐지 목적 간의 불일치가 발생했다. 또한 자연 이미지와 산업용 이미지 사이의 도메인 시프트로 인해 최적의 성능을 내기 어려운 한계가 존재했다.
05:08
ADPretrain 방법론 개요
ADPretrain은 대규모 AD 데이터셋인 Real-IAD를 활용해 정상과 이상의 불일치를 극대화하는 특징 추출기를 사전 학습한다. 프레임워크는 Residual Feature 추출, Contrastive Loss 적용, Feature Projector 구성의 세 단계로 이루어진다. 이를 통해 특정 카테고리에 국한되지 않는 범용적인 이상치 표현을 학습하는 것이 핵심이다.
05:54
핵심 요소 1: Residual Feature
원본 특징을 그대로 사용하는 대신 입력 특징과 가장 유사한 정상 참조 샘플 간의 차이인 Residual Feature를 기본 표현으로 사용한다. 수식적으로는 입력 특징 x에서 가장 가까운 정상 샘플 x*를 뺀 값으로 정의된다. 이 방식은 제품의 외형 정보는 제거하고 정상 대비 '차이'에만 집중하게 하여 새로운 클래스에 대한 일반화 성능과 도메인 변화에 대한 강건성을 확보했다.
07:18
핵심 요소 2: Contrastive Losses (Angle & Norm)
정상과 이상의 특징을 구분하기 위해 각도(Angle)와 크기(Norm) 관점의 두 가지 로스를 조합했다. Angle-oriented Loss는 정상 특징들의 중심을 기준으로 이상 특징과의 각도 차이를 최대화하며, Norm-oriented Loss는 정상 데이터는 특정 반지름의 Hypersphere 안으로 모으고 이상 데이터는 밖으로 밀어낸다. 이 조합을 통해 레이턴트 공간에서 정상과 이상의 경계를 명확히 분리했다.
10:48
핵심 요소 3: Feature Projector
추출된 특징을 AD 전용 레이턴트 공간으로 변환하기 위해 Transformer 기반의 Feature Projector를 도입했다. 기존의 Self-Attention 대신 학습 가능한 Key와 Value를 사용하는 Learnable Key/Value Attention을 제안하여 모델이 정상 패턴의 프로토타입을 기억하도록 했다. 또한 Residual Connection에서 덧셈 대신 뺄셈 연산을 수행하여 정상 성분을 제거하고 이상 신호만 증폭시키는 전략을 취했다.
12:04
실험 결과 및 성능 분석
MVTec-AD, VisA 등 5개 주요 데이터셋에서 성능을 검증한 결과, ADPretrain을 적용했을 때 모든 조합에서 성능이 일관되게 향상됐다. 특히 DINOv2, CLIP 등 다양한 백본 모델에서 Feature Extractor만 교체했음에도 AUROC 수치가 대폭 상승했다. 특징의 크기(Norm)만으로 이상을 탐지하는 FeatureNorm 방식에서도 기존 복잡한 모델들보다 높은 성능을 기록하며 방법론의 유효성을 입증했다.
용어 해설
- 이상 탐지(Anomaly Detection)
- — 데이터셋 내에서 일반적인 패턴과 크게 다른 희소한 샘플을 식별하는 기술이다. 산업 현장에서는 정상 제품 데이터만으로 학습하여 결함이 있는 제품을 찾아내는 Unsupervised 방식으로 주로 활용되며, 제조 공정의 자동화와 품질 관리에 필수적이다.
- 대조 학습(Contrastive Learning)
- — 유사한 데이터(Positive)는 가깝게, 서로 다른 데이터(Negative)는 멀게 배치하도록 모델을 학습시키는 기법이다. 본 논문에서는 정상 샘플 간의 거리는 좁히고 이상 샘플과의 거리는 벌려 이상 탐지에 최적화된 특징 표현을 학습하는 데 사용됐다.
- 잔차 특징(Residual Feature)
- — 입력 이미지의 특징값에서 가장 유사한 정상 참조 샘플의 특징값을 뺀 차이값을 의미한다. 원본 이미지의 외형 정보 대신 정상 상태와의 '차이'에만 집중하게 함으로써 도메인 변화에 강건하고 일반화 성능이 높은 모델을 구축할 수 있게 한다.
- 초구(Hypersphere)
- — 고차원 공간에서 중심으로부터 일정한 거리에 있는 점들의 집합을 의미한다. 본 연구에서는 정상 데이터들을 특정 반지름 이내의 초구 안으로 모으고 이상 데이터는 밖으로 밀어내는 Norm-oriented Loss를 설계하여 이상 여부를 직관적으로 판별하는 기준으로 활용했다.
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 03. 27.수집 2026. 03. 29.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.
