챕터별 상세
00:00
AnomalyDINO 핵심 아이디어 및 기여점
기존의 퓨샷 이상 탐지 모델들은 CLIP과 같은 복잡한 멀티모달 모델에 의존하거나 별도의 파인튜닝 과정이 필요했다. AnomalyDINO는 DINOv2 백본만을 활용하여 추가 학습 없이 패치 레벨의 특징을 추출하고 최근접 이웃(Nearest Neighbor) 방식으로 이상을 탐지한다. MVTec-AD 벤치마크에서 1-shot AUROC 96.6%를 기록하며 기존 SOTA 대비 성능을 3.5%p 향상시켰다. 이 방식은 산업 현장에서 빠른 배포가 가능한 간단한 파이프라인을 제공한다.
02:40
이상 탐지의 배경과 퓨샷 환경의 필요성
산업용 이상 탐지는 정상 데이터 분포에서 벗어나는 샘플을 결함으로 판별하는 태스크이다. 실제 공정에서는 제품 라인이 빈번하게 변경되거나 불량 샘플을 구하기 어려워 대량의 데이터를 학습시키기 힘든 제약이 존재한다. 따라서 1~16장의 소수 정상 이미지만으로 동작하는 퓨샷(Few-shot) 이상 탐지 기술이 실무적으로 매우 중요하다. 기존 연구들은 이미지 재구성(Reconstruction)이나 특징 거리 기반 방식을 사용해왔다.
07:27
AnomalyDINO 전체 파이프라인 구조
AnomalyDINO는 전처리, 특징 추출, 이상 점수 산출의 3단계로 구성된다. 먼저 정상 참조 샘플에 제로샷 마스킹과 회전 증강을 적용하여 데이터 다양성을 확보한다. 이후 DINOv2 인코더를 통해 패치 단위의 특징 벡터를 추출하여 메모리 뱅크를 구축한다. 테스트 시에는 입력 이미지의 패치와 메모리 뱅크 내 가장 유사한 정상 패치 간의 거리를 계산하여 최종 이상 점수를 도출한다. 이 과정은 별도의 텍스트 프롬프트 없이 비전 정보만으로 수행된다.
08:29
제로샷 마스킹을 통한 배경 노이즈 제거
산업용 이미지에서 배경 영역은 이상 탐지에 불필요한 노이즈로 작용하여 오탐지(False Positive)를 유발한다. AnomalyDINO는 DINOv2 특징 맵에 PCA(주성분 분석)를 적용하여 객체와 배경을 분리하는 제로샷 마스킹 기법을 도입했다. DINO 계열 모델의 어텐션이 객체에 집중되는 특성을 이용해 별도 학습 없이 배경 패치를 메모리 뱅크에서 제외한다. 이를 통해 메모리 뱅크의 품질을 높이고 추론 시 배경 영역의 간섭을 최소화했다.
09:51
회전 증강을 이용한 참조 데이터 확장
참조 이미지가 1장뿐인 극단적인 퓨샷 환경에서는 정상 패턴의 다양성이 부족하여 성능이 저하된다. 이를 해결하기 위해 참조 이미지를 다양한 각도로 회전시켜 메모리 뱅크의 크기를 인위적으로 확장하는 회전 증강(Rotation Augmentation)을 적용했다. 특히 나사(Screw)와 같이 회전 대칭성이 있는 객체에서 이 기법은 성능을 비약적으로 향상시킨다. 실험 결과 1-shot 환경에서 AUROC가 65.6%에서 89.2%로 크게 상승하는 효과를 확인했다.
13:19
이상 점수 산출 및 픽셀 레벨 세그멘테이션
최종 이상 점수는 테스트 패치와 메모리 뱅크 간 거리 중 상위 1% 패치 거리의 평균값을 사용한다. 이는 단일 최대값(Max)을 사용하는 방식보다 이상치 노이즈에 강건하며 정상 패치에 의한 희석 문제를 방지한다. 픽셀 레벨의 결함 위치를 찾기 위해 14x14 크기의 스코어 맵을 원본 해상도로 업샘플링하고 가우시안 스무딩을 적용한다. 결과적으로 결함의 정확한 위치를 시각화하는 어노말리 맵(Anomaly Map)을 생성한다.
17:43
벤치마크 성능 및 추론 속도 분석
MVTec-AD와 VisA 데이터셋에서 실험한 결과, AnomalyDINO는 모든 퓨샷 설정에서 기존 모델들을 압도했다. 특히 1-shot AUROC에서 기존 최고 기록인 93.1%를 96.6%로 경신했다. 추론 속도 면에서도 ViT-S 백본 기준 샘플당 약 16ms(60 FPS)가 소요되어 CLIP 기반 모델들보다 약 10배 이상 빠르다. 이는 고성능과 실시간성을 동시에 확보하여 실제 산업 현장 적용 가능성이 매우 높음을 시사한다.
용어 해설
- 퓨샷 이상 탐지(Few-shot Anomaly Detection)
- — 단 1장에서 16장 사이의 극소수 정상 이미지만을 참조하여 새로운 이미지에서 결함이나 이상치를 찾아내는 기술이다. 대량의 정상 데이터 확보가 어려운 산업 현장에서 필수적인 기법이다.
- 패치 레벨 특징(Patch-level Feature)
- — 이미지를 작은 격자 단위(패치)로 나누어 각 부분의 고차원 정보를 추출한 벡터 표현이다. 이미지 전체의 특징보다 국소적인 결함을 정밀하게 탐지하는 데 유리하다.
- 제로샷 마스킹(Zero-shot Masking)
- — 별도의 학습 없이 모델의 내부 어텐션 정보를 활용해 이미지의 배경과 객체를 분리하는 기법이다. 이상 탐지 시 배경 노이즈로 인한 오탐지를 방지하는 역할을 한다.
- 메모리 뱅크(Memory Bank)
- — 정상 이미지에서 추출한 패치 특징 벡터들을 저장해둔 데이터베이스이다. 테스트 이미지의 패치와 메모리 뱅크 내 벡터들 사이의 거리를 비교하여 이상 여부를 판별한다.
- 주성분 분석(PCA)
- — 고차원 데이터의 분산을 최대한 보존하면서 차원을 축소하는 통계적 방법이다. 이 논문에서는 DINOv2의 특징 맵에서 배경과 전경을 구분하는 마스크를 생성하는 데 사용했다.
언급된 리소스
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 03. 31.수집 2026. 03. 31.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.
