이번 세미나에서는 3D Anomaly Detection에서 기존의 Reconstruction-based 이상 탐지 방법론의 한계를 극복하기 위해 현실적이고 다양한 이상 유형을 생성할 수 있는 방법론을 제안한 ‘RealNet: A Feature Selection Network with Realistic Synthetic Anomaly for Anomaly Detection(CVPR 2024)’ 논문에 대해 발표해 주셨습니다. 해당 논문에서 소개된 RealNet은 세 가지 주요 구성요소로 이루어져 있습니다. 첫 번째로, SDAS(Strength-controllable Diffusion Anomaly Synthesis)는 강도 조절이 가능한 Diffusion 기반의 이상 샘플 생성 기법으로, 다양하고 현실적인 이상 이미지를 생성할 수 있습니다. 두 번째로, AFS(Anomaly-aware Features Selection)는 계산 비용을 줄이면서도 이상 패턴을 효과적으로 감지할 수 있는 Feature Map을 선택하는 기능을 합니다. 마지막으로, RRS(Reconstruction Residuals Selection)는 Reconstruction Error를 기반으로 가장 큰 차이를 나타내는 상위 K개의 인덱스만을 선택하여, 불필요한 데이터 처리를 줄이고 탐지 정확도를 높입니다. 이러한 접근 방식은 기존 방법들이 가지는 한계를 개선하며, 특히 복잡한 구조의 이미지나 보지 못한 카테고리의 이상을 탐지하는데 큰 장점을 가지고 있다고 생각합니다. 무엇보다 실제로 사람이 분간하기 어려운 이상치를 생성해냄으로써 탐지 성능을 높였다는 점이 매우 흥미로웠습니다. 다소 어려운 내용이었지만 발표자분께서 쉽게 설명해주셔서 이해하기 쉬웠습니다! 좋은 발표 준비해주셔서 감사합니다:)

금일 세미나는 Image AD 태스크에서 비정상 이미지를 생성하는 방법론을 제시한 "RealNet: A Feature Selection Network with Realistic Synthetic Anomaly for Anomaly Detection"을 중심으로 진행되엇습니다. Image AD 태스크에서 기존의 비정상 이미지 생성 방법론은 단순한 노이즈를 이미지에 삽입하는 방식으로 인해 현실성이 떨어진다는 한계점이 있습니다. 이에 대해 본 논문에서는 Diffusion 모델을 이용하여 latent vector에 노이즈를 삽입하고 이를 복원하여 비정상 이미지로 활용하고 있습니다. 또한, 현실성 개선을 위하여 전체 이미지 중 일부 마스크에만 비정상 이미지를 합성하고 있습니다. 특히 이러한 생성 모델이 정상 이미지와 유사하면서도 비정상 이미지일 수 있도록 AFS 모듈을 이용해 학습을 진행하거나, Reconstruction Loss를 제시하는 등의 노력도 확인할 수 있었습니다. 정상 이미지만 존재하는 상황에서 현실적인 비정상 이미지를 만드는 것이 상당히 모순적인 가정인데도 논리적으로 해결하는 모습이 인상적인 논문이었습니다. 좋은 발표 감사합니다.

이번 세미나는 기존 Self-Supervised Learning 방식으로 학습되는 Reconstruction 기반 AD 방법론들이 현실적인 이미지를 생성하지 못하고, Large-Scale의 사전 학습 모델을 사용했을 때 중복된 Feature와 Pre-Training Bias로 인해 최적의 AD를 수행하지 못한다는 한계점을 개선시킨 “RealNet: A Feature Selection Network with Realistic Synthetic Anomaly for Anomaly Detection”이라는 논문에 대한 소개를 중심으로 진행되었습니다. 이를 위해 RealNet은 추가적인 Perturbation을 가해 좀 더 Realistic한 이상치를 생성하는 Strength-controllable Diffusion Anomaly Synthesis(SDAS), 입력 이미지와 Synthesized Image 간의 차이와 Synthesized Anomaly Map을 활용하여 최적의 Feature Map을 선택해 중복을 감소시키는 Anomaly-Aware Feature Selection(AFS), 마지막으로 Synthesized Anomaly와 Reconstructed Image 간의 차이를 나타내는 Reconstruction Residuals Selection(RRS)으로 구성됩니다. 기존 CutPaste나 DRÆM과 같은 모델들의 경우 생성되는 Synthesized Image의 퀄리티가 좋지 않다는 생각이 들었는데, RealNet에서의 Synthesized Image의 퀄리티를 보고 깜짝 놀랐고, 세미나 발표를 들으면서 굉장히 잘 구성된 Reconstruction 기반 AD 방법론이라는 생각이 들었습니다. 좋은 발표해주셔서 감사합니다.

본 세미나는 Anomaly Detection task에서, 현실적이고 다양한 Anomaly Sample을 생성하는 Strength-controllable Diffusion Anomaly Synthesis를 제안한 논문을 기반으로 진행되었습니다. 해당 구조는 추가적인 2가지 전략이 존재합니다. 첫째, 중복된 Feature를 줄이고, 대표적 Subset만 추출하는 Anomaly-aware Feature Selection과, 둘째, 이상 정보가 있는 Reconstruction Residual만을 선택하는 Reconstruction Residuals Selection입니다. 세미나를 들으면서 가장 궁금하면서 핵심적이라고 생각했던 부분은, Anomaly를 정상 데이터와 최대한 유사하게 만들어서 모델의 학습 효과를 극대화시키는 것이라고 생각했습니다. 좋은 발표 준비해주셔서 감사합니다.

이번 세미나는 "RealNet: A Feature Selection Network with Realistic Synthetic Anomaly for Anomaly Detection" 논문을 다뤘습니다. 해당 논문은 기존의 Reconstruction 기반 이상 탐지 방법의 한계를 개선하기 위해 현실적인 이상 샘플을 생성하고, 효율적인 Feature Selection을 적용한 새로운 접근법을 제안했습니다. 특히 SDAS는 강도 조절이 가능한 Diffusion 기반 방법으로, 실제처럼 보이는 이상 이미지를 생성해 주목받았습니다. AFS는 중복된 Feature를 줄이고, 중요한 정보를 선별해 효율적으로 이상 패턴을 감지합니다. RRS는 Reconstruction Residual을 활용해 가장 큰 차이가 있는 데이터만 선택, 처리 효율성과 정확성을 높였습니다. 특히, 정상 이미지만으로도 사람의 눈을 속일 정도로 자연스러운 이상 샘플을 만들어 학습 성능을 크게 향상시켰다는 점이 흥미로웠습니다. 발표 덕분에 복잡한 내용도 쉽게 이해할 수 있었고, 실제 AD 태스크에 적용 가능성을 확인할 수 있어 유익했습니다. 감사합니다!

금일 세미나는 "RealNet: A Feature Selection Network with Realistic Synthetic Anomaly for Anomaly Detection" 논문을 바탕으로 진행되었습니다. 제안 연구에서는 기존 Unsupervised Image Anomaly Detection에서 Synthetic Image를 활용하는 방식의 경우, 현실적인 이상치 이미지를 생성하지 못한다고 말하며, 또한 Large-scale의 Pre-trained Network를 활용하는 경우 중복된 Feature 그리고 Pre-training Bias로 인해 Computational Cost 증가 및 최적의 AD를 수행하지 못한다고 주장하고 있습니다. 제안 연구에서는 이러한 문제점을 극복하고자, Diffusion 기반의 Realistic한 Anomly 생성을 위한 Strength-controllable Diffusion Anomaly Synthesis (SDAS)를 제안합니다. 또한, Pre-trained Feature를 능동적으로 사용하기 위해서 중복된 Feature가 아닌 대표적인 Subset만 추출하는 Anomaly-aware Feature Selection (AFS)과, 이상 정보가 있는 Reconstruction Residual만을 선택하도록 Reconstruction Residuals Selection (RRS) 전략을 제시하고 있습니다. 해결하고자 하는 문제가 명확하며 접근하고자 하는 방향이 모두 일치한다고 생각했습니다. 좋은 논문 소개 정말 감사드립니다.

이번 세미나에서는 "RealNet: A Feature Selection Network with Realistic Synthetic Anomaly for Anomaly Detection"이라는 논문에 대한 소개를 중심으로 진행되었습니다. 이 논문에서 제안하는 RealNet은 기존의 재구성 기반 이상 탐지 방법론의 한계를 극복하고자, 현실적이며 다양한 이상 패턴을 생성할 수 있는 새로운 네트워크 구조를 소개합니다. RealNet의 핵심 기능은 세 가지 주요 요소로 구성됩니다. 첫째, Strength-controllable Diffusion Anomaly Synthesis (SDAS)는 이상 샘플을 생성할 때 조절 가능한 강도를 제공하여, 사용자가 필요에 따라 다양한 수준의 이상을 생성할 수 있게 합니다. 둘째, Anomaly-aware Features Selection (AFS) 모듈은 계산 비용을 줄이면서도 이상을 효과적으로 감지할 수 있는 특징 맵을 선택하도록 설계되었습니다. 마지막으로, Reconstruction Residuals Selection (RRS)은 재구성 오류를 평가하여 가장 높은 차이를 보이는 Top-K 인덱스를 선택함으로써, 탐지의 정확성을 높이고 불필요한 데이터 처리를 최소화합니다. 해당 연구에서 현실 세계에 존재할 법한 Anomaly를 생성하여 Anomaly Detection 성능을 향상시킨다는 점이 흥미로웠습니다. 좋은 발표 준비해주셔서 감사합니다.

이번 세미나에서는 "RealNet: A Feature Selection Network with Realistic Synthetic Anomaly for Anomaly Detection" 논문이 소개되었습니다. 이 논문은 이미지 이상 탐지를 위한 새로운 접근법을 제안하며, 현실적이고 다양한 이상치 샘플을 생성하는 방법론과 효과적인 특징 선택 기법을 포함하고 있습니다. DDPM을 기반으로, 현실적인 이상치 이미지를 생성, 기존 노이즈에 추가적인 Perturbation을 가해 정상 이미지와 유사한 이상치 이미지를 생성하며, 이상치 감지 과업을 위해 Pre-trained Network에서 중복된 특징을 제거하고, 대표적이고 구분 가능한 파라미터를 선택하고자 합니다. 현실적인 이상치 이미지가 이상치 탐지 과업에서 중요함을 실험적으로 잘 보여주었다고 생각이 되나, Segmentation 정확도 개선의 추가적인 연구가 필요하다고 생각합니다. 재미있는 논문 발표 감사드립니다!

이번 세미나에서는 “RealNet: A Feature Selection Network with Realistic Synthetic Anomaly for Anomaly Detection” 논문이 소개되었습니다. 이 연구는 기존 Self-Supervised 방식의 Reconstruction 기반 이상 탐지(AD) 방법들이 현실적인 이상치 이미지를 생성하지 못하고, 대규모 사전 학습 모델의 중복된 Feature와 Pre-training Bias로 인해 최적의 AD를 수행하지 못한다는 한계를 해결하고자 합니다. RealNet은 세 가지 핵심 구성 요소로 설계되었습니다. 첫째, Strength-controllable Diffusion Anomaly Synthesis(SDAS)는 Diffusion 모델을 활용해 현실적인 이상치 이미지를 생성하며, 일부 마스크 영역에만 이상치를 합성해 더 자연스러운 이미지를 만듭니다. 둘째, Anomaly-Aware Feature Selection(AFS)은 입력 이미지와 합성된 이미지 간의 차이와 Synthesized Anomaly Map을 기반으로 중복된 Feature를 제거하여 효율적인 Feature Subset을 학습합니다. 셋째, Reconstruction Residuals Selection(RRS)은 Synthesized Anomaly와 Reconstructed Image 간의 차이를 활용해 이상 탐지 성능을 극대화합니다. 실험 결과, RealNet은 Synthesized Image의 품질과 AD 성능 면에서 CutPaste, DRÆM 등 기존 모델을 능가했으며, Diffusion 모델을 통해 현실적이고 의미 있는 이상치 데이터를 생성할 수 있음을 입증했습니다. 정상 데이터만으로 현실적인 이상치 생성을 논리적으로 해결한 점과, AD 과업에서 높은 성능을 보인 점이 인상 깊었으며, 연구의 방향성과 기여도가 명확했던 훌륭한 논문이었습니다. 좋은 발표 준비에 감사드립니다!

이번 세미나에서는 CVPR 2024에 발표된 "RealNet: A Feature Selection Network with Realistic Synthetic Anomaly for Anomaly Detection" 논문에 대해 진행되었습니다. 이 연구는 산업 이미지의 이상 탐지와 위치 파악을 위해 새로운 접근 방식을 제안합니다. 주요 기여로는 세 가지가 있습니다. 첫째, '강도 조절 가능한 확산 이상 합성(SDAS)' 기법을 통해 다양한 강도의 현실적인 이상 샘플을 생성. 둘째, '이상 인식 특징 선택(AFS)' 방법을 도입하여 사전 학습된 특징 중 대표적이고 변별력 있는 부분을 선택함으로써 성능을 향상시키고 계산 비용을 줄임. 셋째, '재구성 잔차 선택(RRS)' 전략을 통해 여러 수준에서 이상 영역을 효과적으로 식별할 수 있었습니다. 이상치를 직접 생성한 연구는 기존에도 다수 있었지만, 기존의 이상 탐지 방법들이 직면한 현실적인 이상 샘플 생성의 어려움과 특징 선택의 비효율성을 효과적으로 해결한 점에서 인상적이었습니다. 좋은 발표 감사합니다!

이번 세미나에서는 "RealNet: A Feature Selection Network with Realistic Synthetic Anomaly for Anomaly Detection"에 대해 소개해주셨습니다. RealNet은 Anomaly Detection 분야에서 더욱 효과적인 학습과 정확한 탐지를 가능하게 하기 위해 제안된 모델로, 현실적인 합성 비정상 데이터를 생성하고 이를 기반으로 중요한 특징을 선택하는 새로운 네트워크 구조입니다. 비정상 데이터가 희소하고 다양성이 부족한 상황에서 합성된 비정상 데이터가 실제 데이터와 유사한 분포를 가지도록 생성한다는 핵심을 가지며, 이 과정에서 Feature Selection Network를 통해 탐지에 중요한 특징만을 선별합니다. 이를 통해 논문에서는 기존 모델들이 비정상 데이터 부족으로 낮은 일반화 성능을 갖는 한계를 효과적으로 해결하려 시도하였다는 의의를 갖습니다. 좋은 발표 감사드립니다.

이번 세미나는 이미지 이상치 탐지를 주제로 진행되었습니다. 소개해주신 연구에서는 정상 이미지로 부터 의도적으로 생성된 비정상 이미지(synthetic anomaly)를 활용하는 방식을 택하되 보다 더 현실 적인 합성 이미지를 생성하는 것에 초점을 두고 있습니다. 더불어 큰 모델에서 나타나는 중복되는 feature를 줄이고 대표적인 feature map만 선택하도록하는 손실함수를 설정하였습니다. 최종적으로 reconstructino residual 항목을 통해 정상 이미지와 복원된 이미지와의 차이도 함께 고려하도록 손실함수를 설정하였습니다. 기존 방법론들의 한계점을 명확히 정의하고 각 한계점을 개선하기 위한 방안을 하나씩 잘 설정한 것 같습니다. 좋은 발표 감사합니다.