금일 논문 세미나는 “Correcting Deviations from Normality: A Reformulated Diffusion model for Multi-class Unsupervised AD”로, multi-class anomaly detection 환경에서 diffusion model을 사용할 때 발생하는 한계점을 다룬 논문이었습니다. 기존 diffusion model 기반 anomaly detection에서는 이미지 노이즈화 과정에서 class information이 손실되는 문제가 존재합니다. 이를 해결하기 위해, 본 논문에서는 비정상 샘플을 먼저 생성한 뒤, 이 비정상 샘플들에 대해서만 diffusion process를 적용하는 방법을 제안합니다. 또한 이를 가능하게 하기 위해 diffusion model의 formulation을 ‘베이스 이미지로부터의 변화량’을 직접적으로 표현하도록 재정의하였습니다. 이러한 수식적 재정립과 접근 방식은 직관적이면서도 실험적으로 의미 있는 성능 향상을 보여주고 있습니다. 다만, VQ-VAE, MemAE 등 정상 데이터로의 projection을 통해 재구성 오차를 계산하는 기존 방법들과의 비교 실험이 부족하며, 제안 방법이 기존 diffusion model과 구체적으로 어떤 차별성을 갖는지에 대해서는 다소 의문이 남는다는 점이 아쉬웠습니다. 그럼에도 불구하고, 문제 정의에서 제안 아이디어까지의 흐름이 명확하고 잘 구성된 논문이었으며, multi-class anomaly detection 문제에 대해 새로운 관점을 제시해준 흥미로운 연구라고 생각합니다. 좋은 논문을 소개해주셔서 감사합니다.

금일 세미나에서는 "Correcting Deviations from Normality: A Reformulated Diffusion Model for Multi-Class Unsupervised Anomaly Detection" 논문을 통해, diffusion model을 활용한 multi-class 비지도 이상 탐지의 한계를 개선하기 위해 기존 접근을 근본적으로 재설계한 연구로, 매우 인상 깊은 결과를 보여주었습니다. 기존 diffusion 기반 방식은 이미지 전반에 노이즈를 주입하고 복원하기 때문에 정상 영역까지 훼손되는 문제가 있었지만, 이 논문은 latent space에서 anomaly를 노이즈로 간주하고, random masking 전략을 활용해 비정상 영역만 선택적으로 수정하는 새로운 방법론을 제안했습니다. 특히 학습 시 normal 이미지만을 사용하면서도, inference 시에는 forward diffusion 없이도 이상 영역을 바로 복원하는 구조가 매우 효율적이고 참신했습니다. 다만, 논문에서도 언급하듯 latent space에서의 anomaly를 단순히 노이즈로 모델링하는 것이 과도하게 이상적인 가정일 수 있으며, 특히 큰 변형이나 아주 미세한 이상에 대해서는 detection이 어려운 한계도 있었습니다.
전반적으로, 이 논문은 단순한 모델 개선을 넘어서 diffusion model 자체의 목적 함수를 정상성 기반 anomaly correction으로 전환한 점에서 의미가 있고, multi-class 비지도 이상 탐지 문제에 유효한 기여가 있다고 생각합니다. 좋은 논문 발표해주셔서 감사합니다.

금일 세미나는 “Correcting Deviations from Normality: A Reformulated Diffusion model for Multi-class Unsupervised AD” 논문을 바탕으로 진행되었습니다. 해당 연구는 image modality에서 multi-class unsupervised anomaly detection을 위해 diffusion 기반의 model을 제안하고 있습니다. 기존 각 클래스마다 개별 모델을 학습하는 single-class AD 방식은 클래스 증가에 따른 모델 학습/관리에 비용이 발생할 수 있기 때문에, 최근 unified한 AD 모델이 등장하고 있습니다. 이때, diffusion 기반의 모델들은 multi-class 상황에서 복원하는 과정 도중 입력 이미지가 강하게 노이즈화되어 클래스 정보를 잃게 될 수 있다는 문제점이 존재하여, 결국 학습한 전체 정상 데이터 분포에서 무작위 클래스를 생성하게 되는 상황을 야기할 수 있습니다. 또한, 클래스 정보를 보존하기 위해 forward process에서 noise를 조금만 추가한다면 이상 영역에 추가된 노이즈가 너무 적어, 이를 정상으로 복원하기보다 단순히 노이즈만 제거하는 현상이 발생하기도 하며, diffusion의 특성으로 인해 이상 영역 뿐만 아니라 “정상 영역” 또한 변형(손상)되는 문제가 존재하기도 합니다. 제안 연구에서는 이러한 문제점을 해결하기 위하여 정상 영역은 보존하면서, 이상 영역만을 선택적으로 복원하는 방식을 제안하고 있습니다. 이를 위해서는 먼저 어떤 영역이 정상으로부터의 편차를 보이는지 탐색하고, 해당 영역에 대해서만 정상 분포로 끌어올 수 있는지에 대해 수행할 수 있어야 합니다. 해당 연구에서는 첫 번째 문제점을 위해서, latent space에서 편차를 예측하고, 이를 수정하여 정상 분포 쪽으로 복원하는 방법을 학습하고자 Random Masking을 이용합니다. 두 번째 문제점을 위해서는 정상으로부터의 편차를 예측하고 수정하는 방식으로 학습하기 위해, forward process 수식을 재정의함으로써 DoD(Direction of Deviation)를 정의하고, visible patch는 DoD를 0으로(정상 영역은 보존), noisy patch는 DoD를 정확히 예측하도록(이상 영역은 수정) 학습을 진행하게 됩니다. 개인적으로는 제안하는 문제점과 해결 방안이 잘 매칭이 되는 좋은 연구라는 생각이 들었습니다. 좋은 발표 정말 감사드립니다.

이번 세미나는 “Correcting Deviations from Normality: A Reformulated Diffusion Model for Multi-class Unsupervised Anomaly Detection” 논문을 중심으로 진행되었습니다. 본 연구는 기존 reconstruction-based anomaly detection에서 diffusion model을 그대로 적용할 경우 발생하는 다중 클래스 환경의 한계(클래스 정보 손실, identity shortcut, 정상 영역 변형 등)를 명확히 짚고, 이를 정상으로부터의 편차를 수정하는 문제로 재정의했다는 점에서 인상적이었습니다. 특히, forward process를 전체 이미지에 균일하게 적용하는 대신, latent space에서 편차를 시뮬레이션하고 이를 예측 및 보정하도록 diffusion 과정을 reformulation한 접근은 diffusion model의 생성적 성질을 anomaly detection 목적에 맞게 정교하게 재해석한 사례로 느껴졌습니다. Random masking을 통해 정상 데이터만으로도 이상을 학습 가능하게 만든 점과, reverse process에서 Direction of Deviation를 직접 줄여가는 correction 관점의 설계는 방법론 전반의 일관성을 높였습니다. 이러한 설계가 등 다양한 벤치마크에서 기존 multi-class AD 기법들과 비교해 안정적인 성능 향상으로 이어졌다는 점에서, 제안한 문제 정의와 해결 방식이 실험적으로도 잘 뒷받침되었다고 생각합니다. 전반적으로 diffusion model을 단순한 복원 도구가 아니라, 편차를 교정하는 방향성 있는 생성 모델로 활용할 수 있음을 보여준 의미 있는 발표였습니다. 좋은 발표 감사합니다.

이번 세미나에서는 “Correcting Deviations from Normality: A Reformulated Diffusion Model for Multi-Class Unsupervised Anomaly Detection” 논문이 소개되었습니다. diffusion 모델을 정상 복원이 아닌 정상으로부터의 편차를 보정하는 관점에서 재해석했다는 점이 인상 깊었습니다. 특히 multi-class 환경에서 diffusion 기반 방법이 겪는 한계를 잘 짚고, latent space에서 anomaly를 noise로 간주해 비정상 영역만 선택적으로 수정하도록 설계한 점이 논리적으로 설득력 있게 다가왔습니다.

Random masking을 통해 정상 데이터만으로도 편차를 학습하도록 한 구성 역시 실용적인 접근이라는 생각이 들었고, 실험 결과에서도 이러한 설계의 효과가 잘 드러난 것 같습니다.
다만 latent representation이 항상 anomaly를 충분히 표현할 수 있을지에 대해서는, 향후 조금 더 다양한 사례에 대한 분석이 있으면 좋겠다는 생각도 들었습니다.

전반적으로 기존 diffusion 기반 anomaly detection을 한 단계 확장한 연구로 느껴졌고, multi-class 설정에서의 적용 가능성을 잘 보여준 흥미로운 발표였습니다. 좋은 발표 감사합니다 🙂

금일 세미나는“Correcting Deviations from Normality: A Reformulated Diffusion Model for Multi-Class Unsupervised Anomaly Detection”(DeCo-Diff) 로, diffusion 모델을 latent space에서의 DoD 예측 및 보정 관점으로 재정의해, 이상 영역만 선택적으로 복원하는 Multi-class 이상치 탐지 방법론을 소개했습니다. 학습 시에는 정상 latent에 대해 일부 패치만 무작위 마스킹하거나 배치 내 다른 패치로 교체해 인위적 편차를 만들고, 추론 시에는 Forward Process 없이 DoD 예측 후 Reverse Process를 수행해 이상치를 탐지하는 접근이 흥미로웠습니다. 문제 정의와 해결 방식이 논리적으로 구성되어 있고, 실험 결과 또한 RQ를 명확하게 증명하고 있습니다. 좋은 발표 감사합니다!

이번 세미나에서는 “Correcting Deviations from Normality: A Reformulated Diffusion Model for Multi-Class Unsupervised Anomaly Detection” 논문을 통해, diffusion 모델을 multi-class 비지도 이상 탐지 관점에서 재해석한 흥미로운 접근을 다뤘습니다. 특히 정상 복원이 아닌 정상으로부터의 편차(DoD)를 예측·보정하는 문제로 diffusion 과정을 재정의한 점이 인상적이었습니다. Latent space에서 random masking을 통해 정상 데이터만으로도 이상을 학습하고, 추론 시에는 이상 영역만 선택적으로 수정하는 설계가 논리적으로 잘 연결되어 있었습니다. 기존 diffusion 기반 AD의 한계를 명확히 짚고, 이를 목적에 맞게 구조적으로 개선했다는 점에서 의미 있는 연구라고 느꼈습니다. 좋은 발표 감사합니다.

이번 세미나는 이미지 이상치 탐지를 주제로 진행되었습니다. 소개해주신 연구는 다중범주 이상치 탐지 과업에서의 diffusion 사용이 잘 못되고 있음을 지적하였습니다. Diffusion 모델이 forward process를 진행하면서 범주 정보에 기반하여 복원 값을 산출하는 것이 아니라 사실상 무작위 클래스를 생성하게 되는 것이고, 그렇다고 너무 작은 noise를 부여하면 사실상 입력 값 그대로를 출력하는 형태가 되므로 학습이 이루어지지 않는다는 점이 문제라고 주장합니다. 이에 제안한 방법론은 정상 데이터를 패치화한 후, 각 패치에 노이즈를 입력하여 그 노이즈의 정도(i.e. 편차) 예측하는 방식으로 학습하는 방법론을 제안하였습니다. 이러한 경우 해당 클래스의 정상 정보는 유치할 수 있는 특징이 있는 것입니다. 합리적인 방안으로 여겨집니다. 이러한 시도가 다른 데이터 유형(ex, 시계열 데이터)에도 적용할 수 있는지 궁금합니다. 흥미로운 발표였습니다. 감사합니다.

이번 세미나는 “Correcting Deviations from Normality: A Reformulated Diffusion Model for Multi-class Unsupervised Anomaly Detection” 논문을 중심으로 진행되었습니다. 본 연구는 기존 diffusion 기반 reconstruction 방식이 다중 클래스 환경에서 클래스 정보 손실, identity shortcut, 정상 영역 변형 등의 한계를 가진다는 점을 명확히 지적하고, 이상 탐지를 ‘정상으로부터의 편차를 교정하는 문제’로 재정의한 점이 인상적이었습니다. 전체 이미지에 균일하게 노이즈를 추가하는 대신 latent space에서 편차를 시뮬레이션하고, Direction of Deviation을 예측·감소시키는 방식으로 diffusion 과정을 재구성함으로써 정상 영역은 보존하고 이상 영역만 선택적으로 수정하도록 설계한 점이 특히 설득력 있었습니다. 또한 random masking을 통해 정상 데이터만으로도 학습이 가능하도록 한 점과, 이러한 문제 정의가 다양한 벤치마크에서 안정적인 성능 향상으로 이어졌다는 점에서 방법론과 실험이 잘 맞물린 연구라고 느껴졌습니다. diffusion 모델을 단순 복원이 아닌 ‘편차 교정’ 관점에서 활용한 의미 있는 접근이었으며, 좋은 발표 감사합니다.

이번 세미나에서는 "Correcting Deviations from Normality: A Reformulated Diffusion model for Multi-class Unsupervised AD" 논문에 대해 소개해주셨습니다. 해당 논문은 기존 Diffusion Model을 단순한 생성, 복원 모델이 아니라, 정상으로부터의 편차를 명시적으로 예측하고 수정하는 모델로 재정의했다는 점에서 문제 설정 자체가 매우 인상적이었습니다. 특히 Multi-class Unsupervised Anomaly Detection 환경에서 기존 diffusion 기반 방법들이 겪는 클래스 정보 소실, identity shortcut, 정상 영역 훼손 문제를 단순한 구현 이슈가 아니라 forward process 설계의 구조적 한계로 짚고, 이를 근본적으로 바꾸려는 접근이 논리적으로 설득력이 있습니다. 다만 해당 접근은 pretrained encoder가 정상과 이상을 latent space에서 충분히 분리해 준다는 가정에 강하게 의존하는 것으로 보이며, semantic anomaly처럼 시각적으로는 정상과 유사하지만 의미적으로만 다른 이상이나, 이상 영역이 매우 큰 경우에는 deviation이 noise 형태로 잘 표현되지 않을 가능성도 있어 보입니다. 또한 inference 단계에서 forward process를 완전히 제거하고 바로 correction을 수행하는 구조는 효율적이지만, 테스트 시 입력 데이터가 학습 중 시뮬레이션한 anomaly 분포와 크게 다를 경우 과도한 correction이나 정상 영역까지 끌어당기는 위험은 없는지 궁금합니다. 그럼에도 불구하고 이 논문은 diffusion을 “이미지를 생성하는 모델”이 아니라 “정상 상태로 되돌리는 방향을 학습하는 모델”로 재해석했다는 점에서, Multi-class AD에서 diffusion을 사용하는 새로운 관점을 제시한 의미 있는 연구라고 생각합니다.

이번 세미나에서는 “Correcting Deviations from Normality: A Reformulated Diffusion model for Multi-class Unsupervised AD”를 통해 diffusion 모델을 단순 복원 도구가 아니라 정상으로부터의 편차를 예측·보정하는 목적 함수로 재정의한 접근을 살펴볼 수 있었습니다. 기존 multi-class 비지도 이상 탐지에서 발생하는 클래스 정보 소실과 정상 영역 훼손 문제를 latent space에서의 anomaly를 노이즈로 간주하고 random masking으로 시뮬레이션함으로써, 이상 영역만 선택적으로 수정하도록 설계한 점이 인상적이었습니다. 특히 Forward Process를 재정식화해 Direction of Deviation(DoD)을 명시적으로 예측하고, visible patch는 보존하면서 noisy patch만 correction하는 학습 구조는 문제 정의와 방법론의 일관성을 잘 보여줬습니다. 학습을 정상 데이터로만 진행하면서도 inference 단계에서 별도의 forward 확산 없이 즉각적인 보정이 가능하다는 효율성도 실험 결과와 함께 설득력을 더했습니다. 물론 latent 표현이 모든 형태의 이상을 충분히 포착한다는 가정이나, 아주 미세한 anomaly와 대규모 변형에서의 일반화 가능성, 그리고 pretrained encoder에 대한 의존성은 후속 연구로 검증이 필요해 보입니다. 그럼에도 불구하고, diffusion을 “정상 상태로 끌어오는 방향”을 학습하는 모델로 재해석해 multi-class AD의 구조적 한계를 짚고 해결했다는 점에서 의미 있는 기여라 생각합니다. 좋은 발표 감사합니다.

이번 세미나에서 다룬 “Correcting Deviations from Normality: A Reformulated Diffusion model for Multi-class Unsupervised Anomaly Detection” 논문은 기존의 Diffusion 기반 이상 탐지 방식이 다중 클래스 환경에서 겪는 클래스 정보 손실, Identity Shortcut, 그리고 정상 영역의 원치 않는 변형이라는 세 가지 한계점을 짚어냈습니다. 위의 문제를 해결하기 위해 이상 탐지를 단순 복원이 아닌 latent space에서의 편차 교정 과정으로 재정의하고 , 정상 데이터만으로도 편차를 학습할 수 있도록 Random Masking 기법을 도입하여 이상치를 시뮬레이션했습니다 . 특히 Forward Process를 재수식화하여 정상으로부터의 편차 방향(Direction of Deviation, DoD)을 직접적으로 예측하고 수정하게 함으로써 , 정상 영역은 보존하면서 이상 영역만 선택적으로 복원하는 DeCo-Diff 모델을 제안한 점이 매우 인상적이었습니다 . 이러한 논리적인 방법론은 MVTec-AD 및 VisA 등 다양한 벤치마크 데이터셋에서 기존 SOTA 모델들을 뛰어넘는 성능 향상으로 이어졌으며 , Diffusion 모델을 편차 교정이라는 새로운 시각으로 활용하여 복원 기반 이상 탐지의 효율성을 극대화한 연구라고 생각됩니다. 좋은 발표 감사드립니다.

이번 세미나에서는 “Correcting Deviations from Normality: A Reformulated Diffusion Model for Multi-class Unsupervised Anomaly Detection” 논문을 통해, 확산 모델을 이상 탐지 관점에서 새롭게 해석하고 재구성한 접근을 소개해주셨습니다. 기존 확산 기반 이상 탐지 기법들이 주로 정상 분포를 학습하고 재구성 오류를 활용하는 데 초점을 맞췄다면, 본 연구는 이상을 단순히 ‘재구성 실패’로 보는 관점에서 벗어나, 정상 상태로부터의 편차를 점진적으로 교정하는 과정 자체에 주목한 점이 인상적이었습니다. 발표에서는 확산 과정이 본질적으로 노이즈를 제거하며 정상 상태로 수렴하는 메커니즘을 가진다는 점을 활용해, 입력 데이터가 정상 분포에서 얼마나, 어떤 방식으로 벗어나 있는지를 단계적으로 분석하는 아이디어가 설명되었습니다. 특히 여러 유형의 이상이 공존하는 환경에서도, 각 클래스별 정상 패턴으로의 교정 경로를 통해 이상을 구분하고 해석할 수 있도록 설계한 점이 흥미롭게 다가왔습니다. 이러한 관점은 이상을 하나의 범주로 뭉뚱그리지 않고, 정상성과의 관계 속에서 구조적으로 이해하려는 시도로 느껴졌습니다.