금일 세미나는 Diffusion AD: Norm-guided One-step Denoising Diffusion forAnomalyDetection을 주제로 진행되었습니다. 먼저 연구의 흐름을 잘 설명해주셔서 방법론을 이해하기 좋았으며, 이어지는 연구 세미나와도 연결이 잘 되어 흥미롭게 들었습니다. 다만 개인적인 궁금증은, diffusion을 Anomaly detection task에서 사용해야 하는 이유에 대해 명확한 근거를 찾지 못한 것 같아 이 점에 대해 다양한 질문들이 생겼습니다. feature embedding base method와 generative model based method의 단점들을 "diffusion"으로 해결해야 하는 이유가 논문에 명확히 서술 되어 있으면 좋겠다는 아쉬움이 남았습니다. vision anomaly detection 연구들이 더욱 다양한 형태로 활용되고 있는것 같아, 이번 세미나를 통해 흐름을 다시한번 정리할 수 있어 유익했습니다. 개인 연구에서도 좋은 결과 있으시길 기대하겠습니다.

오늘 세미나는 Diffusion을 응용하여 Anomaly Detection을 수행하는 방법론을 제안한 DIffusionAD를 중심으로 진행되었습니다. Diffusiond은 AD에서 노이즈를 더하여 생성된 Synthetic anomaly image를 denoise한 뒤 정상 이미지와의 reconstruction loss를 통해 image level에서 이상치 여부를 판별하고, reconstructed image와 syntheticc anomaly image의 차이를 기반으로 local anomaly를 탐지하는 Dream model을 발전시킵니다. DiffusionAD는 기존 방법론의 느린 Inference 속도를 개선하기 위해 One-step Denoising을 제안합니다. 또한, 큰 anomalous 영역에 대해 over-generalization하는 문제를 극복하기 위한 Norm-guided denoising을 적용합니다. 이상치 탐지를 시계열에서 연구하고 있는 입장에서 Reconstruction error만으로 이상치를 탐지하는 구조의 한계를 체감하고 있긴 하지만, diffusion을 적용할시 구체적으로 기존 방법론 (Diffusion을 사용하지 않는) 대비 기대할 수 있는 이점에 대해 더 강조해야 할 필요가 있지 않나 싶습니다. 다소 많은 내용을 깔끔하고 자세하게 잘 정리해주셔서 잘 이해할 수 있었습니다. 좋은 발표 감사합니다.

금일 세미나는 Diffusion을 Anomaly Detection에 적용한 Diffusion AD: Norm-guided One-step Denoising Diffusion for Anomaly Detection이라는 논문을 다뤄주셨습니다. 해당 논문은 Generative model based 방법론인 만큼 1) Reconstruction Sub-Network와 2) Segmentation Sub-Network으로 구성되어져 있습니다. 1) Reconstruction Sub-Network에서는 Foreground와 Perlin noise를 곱하여 Masking 영역을 생성한 후 Self-Augmentation이나 DTD dataset에서 random하게 이미지를 뽑아 Anomaly를 생성하여 이 둘을 종합하여 Synthesized Anomaly를 생성하게 됩니다. 이 때 Diffusion의 Denoising process로 Reconstruction하는 과정에서 느린 속도를 개선하기 위해 One-Step Denoising을 진행하고 있고, Over Generalization의 경우 노이즈를 더 많이 준 이미지를 One-Step Denoisng한 결과물을 작은 노이즈를 Denoising하는 과정에 Guidance로 주는 Norm-guided Denoising 과정을 진행하고 있습니다. 이후 원본 이미지와 Reconstruction 이미지를 U-Net에 통과하여 Anomalous 영역을 구분하는 Segmentation Sub-Network까지 구성하여 DiffusionAD가 마무리되어 집니다. DiffusionAD에서 개인적으로 가장 큰 문제점이었던 느린 속도를 One-Step Denoising으로 해결하고 있으나 발표자분께서도 언급해주셨듯이 과연 Contribution이 맞는지 의구심이 들었지만 Diffusion을 성공적으로 AD에 접목한 사례인 것 같아 흥미로웠던 것 같습니다. Diffusion을 접목한만큼 DDPM, Classifier Guidance를 이해해야하나, 이해하는데 있어 핵심을 기반으로 한 발표자료 구성과 발표자분의 뛰어난 설명력 덕분에 DiffusionAD를 이해할 수 있었던 것 같습니다. 좋은 발표 감사합니다!

금일 세미나는 Diffusion 모델을 이용하여 Anomaly Detection 태스크를 해결하는 "DiffusionAD: Norm-guided One-step Denoising Diffusion for Anomaly Detection"을 중심으로 진행되었습니다. 일반적으로 AD에 Diffusion을 적용할 때는 복원된 이미지와 실제 이미지 간의 차이를 이용하여 Anomaly Score를 계산하게 됩니다. 하지만 이 과정에서 Anomaly를 그대로 복원하거나 정상 영역의 Fine Gradined를 제대로 복원하지 못하는 문제점들이 제기되어 왔습니다. 이를 해결하기 위해 해당 논문은 정상 이미지를 Augmentation하여 비정상 이미지를 만들고, 해상도 차이를 이용하여 Guide를 주어 학습하는 방식을 제안하고 있습니다. 이와 더불어 비정상 영역을 포착하기 위해 복원된 이미지와 원본 이미지에 대한 별도의 Segmentation Model을 활용하고 있습니다. Diffusion을 이용하면 기존 방법론 대비 높은 성능을 달성하고, Pixel Level에서도 잘 동작한다는 단점이 있는 것으로 보이지만, 데이터 별로 큰 성능 차이를 내지 못하는 경우가 존재하는 것 같습니다. 이미지 생성 분야의 다양한 발견들이 AD에 적절히 활용되는 모습이 매우 인상적인 논문이었습니다. 좋은 발표 감사합니다.

해당 세미나는 이우준 발표자님께서 "DiffusionAD: Norm-guided One-step Denoising Diffusion for Anomaly Detection"라는 논문을 바탕으로 진행해주셨습니다. 기존 Un-supervised Anomaly detection model에 diffusion 모델을 적용한 첫 사례이며, Generation based model이 갖는 reconstruction 한계와 Diffusion 모델이 갖는 느린 inference 속도 문제를 극복한 것이 핵심입니다. One-step denoising이 특히 흥미로웠는데, 일반적인 generation task에 쓰이는 이미지들의 data distribution에 비하여, 하나의 Class image는 상당히 data distribution이 낮아 진행 가능하다고 생각했습니다. 또한 해당 방법론에 대해 발표자분이 task specific한 training trick이라고 말씀해주신 점도 어느정도 맞다고 생각하였습니다. diffusion이 굉장히 어려운 방법론인데도 불구하고 자세히 설명해주셔서 이해하기 쉬웠습니다. 좋은 발표 준비해주셔서 감사합니다.

이번 세미나에서는 이미지 생성 방법인 Diffusion을 이상 탐지에 적용한 DiffusionAD: Norm-guided One-step Denoising Diffusion for Anomaly Detection에 대해 다뤄 주셨습니다. 생성 방법론을 AD에 적용하고 있기 때문에 전체적인 process는 기존의 AD 방법론인 MemSeg나 혹은 DREAM과 유사한 것을 볼 수 있었습니다. 하지만 reconstruction 방법론들의 주요 문제점인 over generalization을 diffusion만의 이점을 살려 해결하고자 한 부분이 인상깊었습니다. DiffusionAD는 이를 Norm-guided denoising이라는 방법으로 해결하고자 했는데 큰 timestep의 denoise 결과물을 작은 timestep의 denoise 과정의 guide로 사용하게 됩니다. 큰 timestep으로 복구한 이미지와 작은 timestep으로 복구한 이미지 각각의 장단점으로 이를 보완한 것으로 생각할 수 있었습니다. 다만 노이즈를 작게 준 경우 큰 범위의 anomalous 영역 복구 불가하다는 전제가 붙게 되는데 이 전제가 실제로 잘 지켜지는가에 대해 의문이 들었습니다. 성능은 유효한 결과를 보여주고 있지만 DIffusion이라는 근본적인 문제 때문에 느린 속도를 어떻게 극복할지가 관건인거 같습니다. 좋은 발표 감사합니다

이번 세미나에서는 “DiffusionAD: Norm-guided One-step Denoising Diffusion for Anomaly Detection”이라는 연구에 대해 소개해 주셨습니다. 해당 연구는 Vision 분야에서 대표적인 Generative Model인 Diffusion을 Unsupervised Anomaly Detection에 활용했습니다. Reconstruction Sub-Network로 Diffusion을 사용하고 Segmentation Sub-Network로는 U-Net을 사용했습니다. Perlin Noise를 적용해 생성된 가상의 Anomaly Image에 대해 Diffusion을 이용해 Anomaly를 제거한 후, U-Net에서는 Diffusion을 통해 Anomaly가 제거된 결과와 기존 Input 간의 차이를 Detect하는 방식으로 학습을 수행합니다. 세미나 초반까지는 개인적으로 Diffusion은 Iterative한 Denoising 과정으로 인해 느린 연산 속도를 가지고 있다는 점에서 의구심을 가지고 있었습니다. 그러나 해당 연구에서는 DDPM의 수식을 변경해 One-step으로 Denoise해 Inference 속도가 중요한 분야인 Anomaly Detection에 Diffusion을 활용하기 위한 한계를 보완하고자 했고 이 부분이 특히나 인상적이었습니다. 비록 Diffusion에 대한 배경 지식이 충분치 않아 완벽히 이해하지는 못했지만 발표자 분의 자세한 설명 덕분에 많은 부분을 새롭게 배울 수 있었습니다. 좋은 발표 감사합니다.

이번 세미나에서는 DiffusionAD: Norm-guided One-step Denoising Diffusion for Anomaly Detection라는 논문을 다루었습니다. 해당 논문은 기존 unsupervised anomaly detection task에 diffusion을 접목한 첫 논문입니다. 해당 방법론은 Perlinnoise를 통해 anomaly image를 생성하여 학습합니다. 모델은 크게 noise-to-norm paradigm을 적용한 reconstruction sub-network와 input과 denoised output과의 차이를 통해 anomaly region을 찾는 segmentation sub-network를 구성되어 있습니다. 이러한 모델 구조를 통해 기존의 generation based model이 갖는 reconstruction의 한계를 극복하고 diffusion 모델이 갖는 inference 속도 문제를 극복합니다. 실험에서도 높은 성능과 빠른 inference 속도를 보여준 것이 인상적이었습니다. 하지만 training에 시간이 상당히 많이 소모된다는 점을 고려했을 때 diffusion의 생성 능력을 anomaly detection에 사용해야 하는 이유에 대한 고민이 좀 더 필요한 것 같습니다. 좋은 발표 감사합니다.

이번 세미나는 DiffusionAD: Norm-guided One-step Denoising Diffusion for Anomaly Detection를 주제로 진행되었습니다. 본 논문에서 제안하는 DiffusionAD는 image anomaly detection task에 diffusion을 처음 적용한 사례입니다. DiffusionAD는 두 network로 구성되어 있으며 reconstruction sub-network는 Perlin noise를 사용하여 생성한 Anomaly를 제거하며, segmentation sub-network는 제거된 결과와 기존 입력의 차이를 통해 detection하는 역할을 수행합니다. 이러한 방식을 사용하는 이유는 기존의 연구들이 가지는 over generalization 문제를 해결하고자 입니다. 시계열 데이터에서 이상치 탐지를 연구하는 사람으로써 diffusion을 통한 이상탐지에 대해 관심을 가지고 있는데 관련 연구에 대해 이미지 분야에 어떻게 접목하는지 들을 수 있어 유익하였습니다. 좋은 발표 감사합니다.

이번 세미나에서는 "DiffusionAD: Norm-guided One-step Denoising Diffusion for Anomaly Detection" 논문에 대해 발표해 주셨습니다. 해당 논문은 Diffusion 모델을 이상 탐지에 적용한 최초의 사례로, 기존 방법론과는 확연히 다른 관점을 제시합니다. 특히, One-Step Denoising 방식은 전통적인 Diffusion 모델의 느린 처리 속도 문제를 해결하였으며 이러한 혁신적인 접근은 이 분야의 연구에 새로운 가능성을 열어주었다고 생각합니다. 논문에서 제시한 Norm-guided Denoising 방법은 over generalization 문제를 해결하기 위한 창의적인 시도로 보입니다. 이는 기존의 이상 탐지 방법론에서 빈번히 발생하는 문제에 대한 새로운 해법을 제공합니다. 또한, Segmentation Sub-Network를 통한 이상 영역의 탐지 방식은 효과적이라고 느껴졌습니다. 이는 복원된 이미지와 원본 이미지를 비교함으로써 보다 정확한 이상 탐지가 가능하게 만들어줍니다. 그러나, 이 연구가 제시하는 기술적인 해결책들이 실제 문제 해결에 얼마나 기여하는지에 대한 의문은 여전히 남아 있습니다. Diffusion 모델의 복잡성을 고려할 때, 이를 실제 이상 탐지 시나리오에 적용하는 것이 어떠한 도전과제를 안고 있는지, 그리고 이 도전과제들이 어떻게 극복될 수 있는지에 대한 명확한 답이 필요합니다. 이 논문은 분명히 이상 탐지 분야에서 중요한 진전을 이루었지만, 기술적인 세부 사항과 이론적 근거에 대한 보다 깊은 이해와 검증이 필요하다고 느껴집니다. 결과적으로 해당 논문은 이상 탐지 분야에 새로운 아이디어를 제공하며, 향후 연구에 중요한 영감을 줄 수 있는 중요한 연구라고 생각합니다. 좋은 발표해 주셔서 감사합니다.

이번 세미나에서는 "DiffusionAD: Norm-guided One-step Denoising Diffusion for Anomaly Detection" 라는 논문에 대해 소개해주셨습니다. Diffusion은 현재 각광받고 있는 생성 모델로 본 논문에서는 기존의 reconstruction 모델들이 갖는 한계점인 over generalization 문제를 해결하고자 하였습니다. 이를 위해 norm-guided denoising이라는 방식을 사용하였고 diffusion 모델의 느린 속도를 개선하고자 one-step denoising 방식까지 함께 사용하였습니다. 이러한 문제점들을 해결하려다 보니 전체 모델 구조가 복잡했는데, 그래서 해당 논문의 경울 실험적으로는 우수한 성능을 보였지만 Diffusion 모델 자체가 anomaly detection에 크게 유리한 모델이라는 생각은 들지 않았던 것 같습니다. 향후 어떤 식으로 연구가 진행되어 효율성이 개선 될 수 있을지 기대가 되기도 하였습니다. 좋은 발표 감사드립니다.

이번 세미나는 Diffusion 모델을 이용하여 이상치탐지(Anomaly Detection)를 수행한 연구가 소개되었습니다. 특히 비지도학습 방식(Unsupervised)의 이상치 탐지 수행의 첫 연구 사례라는 점에서 의미 있는 논문인 것 같습니다. Diffusion 은 쉽게 원본 이미지에 노이즈를 조금씩 주며 이를 원복하는 것을, 즉 denoise를 진행함으로써 학습됩니다. DiffussionAD에서는 Diffusion 모델을 통해서 denoised 이미지를 생성합니다. 엄밀히는 Diffusion 모델에 입력하기 전에 masking을 일부러 적용한 합성 이미지를 만들어 놓습니다. 다음으로 원본 이미지와 denoised 이미지를 U-Net에 입력하여 합성된 이미지, 즉 masking 된 이미지의 masking 영역을 찾는 방식으로 학습이 진행됩니다. 결과적으로 label 없이도 이상치 영역을 찾을 수 있도록 전체 프레임워크가 학습되는 것입니다. Diffusion과 masking을 통한 합성 이미지를 잘 활용한 인상깊은 아이디어 인 것 같습니다. 흥미로운 연구 소개해주셔서 감사합니다.

이번 세미나에서는 "DiffusionAD: Norm-guided One-step Denoising Diffusion for Anomaly Detection"에 대해 소개해주셨습니다. DiffusionAD는 Unsupervised anomaly detection 모델과 diffusion 개념을 합하여 새로운 방향의 방법론이었습니다. One-step denoising을 통해 기존 방법론들이 가졌던 inference 속도 측면의 한계점을 보완하였으며, Norm-guided denoising을 통해 기존 reconstruction시 발생하였던 over generalization 문제를 해결하고 있습니다. 금일 발표에서는 논문에 대한 소개를 한 후, 바로 발표자님의 연구 세미나를 진행하게 되었습니다. 연구 세미나만으로는 그 background를 구체적으로 알기가 어려운 경우가 많은데, 이번처럼 논문 세미나를 진행한 후 이어서 연구에 대한 설명을 들으니 보다 더 자세한 이해가 가능했던 것 같습니다. 발표 정말 수고하셨습니다.

이번 세미나에서 발표자께서는 "DiffusionAD: Norm-guided One-step Denoising Diffusion for Anomaly Detection”논문에 대해 소개해주셨습니다. 본 논문에서는 생성모델인 diffusion과 anomaly detection을 결합한 방식을 제안합니다. 모든 step의 noise를 복원하는 것이 아닌 한 step만에 복구하는 diffusion 기술의 발전을 적극적으로 도입하여 빠른 inference 시간을 달성했습니다. 또한, Norm-guided denoising 방법을 도입하여 기존의 방법론에서 발생하였던 over generalization 문제를 해결했습니다. 저는 개인적으로 여러 번 본 논문에 대해 설명들은 적이 있기 때문에 이해가 쉬웠지만, 발표를 잘 구성해주셔서 아예 내용을 모르는 분들도 이해하기 어렵지 않았을 것이라 생각됩니다. 좋은 발표 감사합니다.

이번 세미나에서 소개된 "DiffusionAD: Norm-guided One-step Denoising Diffusion for Anomaly Detection" 논문은 diffusion 모델을 이상 탐지에 적용한 첫 논문입니다. 해당 연구는 기존의 이상 탐지 기법과 차별화되며, 특히 One-Step Denoising 기법을 통해 diffusion 모델의 처리 속도 문제를 개선하였습니다. Norm-guided Denoising 방법은 over generalization 문제에 대한 창의적 해결책을 제시하며, Segmentation Sub-Network를 통한 이상 영역 탐지는 효율적인 접근법으로 평가됩니다. 그러나 모델의 복잡성과 실제 적용 시의 도전 과제에 대한 추가적인 해결 방안이 필요하다는 지적도 있습니다. 전반적으로, 이 논문은 이상 탐지 분야에 새로운 방향성을 제시하며, 기술적 세부 사항과 이론적 근거에 대한 더 깊은 이해를 요구합니다. 좋은 발표 감사합니다.