자기지도 기반 합성 이상 삽입을 통한 비전 이상 탐지 연구

Self-Supervised Visual Anomaly Detection with Synthetic Anomaly Insertion

연구 내용

정상 영상의 전경 영역에 합성 이상을 삽입하고 autoencoder 기반 RoI 추정과 인코더-디코더 분할을 결합해 이상 탐지 성능을 높이는 연구

정상 데이터만을 기반으로 시각적 이상을 탐지하기 위해 자기지도 프레임워크를 구성합니다. 정상 이미지를 패치로 분할한 뒤 shuffle·rotation하여 변형 버전을 만들고, SLIC 계열 superpixel 추출을 적용해 다양한 형태의 합성 이상을 전경 영역에 생성합니다. 배경-전경 구분을 위해 경량 autoencoder가 SSIM 기반 유사도 맵을 산출하고, 1-SSIM 불일치 맵을 통해 RoI를 역추정합니다. 이후 attention 블록과 multiscale context aggregation을 포함한 인코더-디코더 분할 모델로 이상 위치를 정밀화합니다. 또한 전경 내 합성 이상 분포를 조절해 모델이 이상 패턴을 일반화하도록 학습 절차를 설계하는 데 집중합니다.

관련 프로젝트

0건

연구 흐름

2025년에는 Patch Shuffle Superpixel Anomaly Insertion을 통해 정상 전경에 합성 이상을 생성하는 단계적 전략을 제안하고, 이를 RoI 중심 학습으로 연결하는 구조를 확보했습니다. 첫 단계에서 분할·변형된 패치와 superpixel을 이용해 이상 후보를 다양화하고, 두 단계에서 SSIM 기반 autoencoder로 배경 영역의 복원 양상을 분리해 전경 RoI를 자동 추정합니다. 이후 향상된 분할 네트워크(인코더-디코더, attention, multiscale 컨텍스트)로 학습된 이상 마스크의 정합성을 강화하는 방향으로 발전했습니다. 프레임워크의 확장 가능성을 고려해 동일 아이디어를 preprint 형태로도 정리했습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

제조 공정 결함 위치 추정
표면 스크래치 이상 탐지
부품 외관 검사 자동화
비지도 결함 데이터 전처리
로봇 비전 검사 시스템
품질 관리용 영상 분석
희귀 이상 패턴 증강
경량 모델 기반 엣지 추론
산업용 분할 기반 이상 감지
웹캠/카메라 기반 온라인 모니터링