이번 세미나에서는 “DFM: Differentiable Feature Matching for Anomaly Detection” 논문을 중심으로, 이상 탐지에서 특징 매칭 과정을 미분 가능하게 설계해 모델 전체를 End-to-End로 학습할 수 있도록 하는 접근법을 소개해주셨습니다. 기존 이상 탐지 기법들은 정상 특징 분포를 구성하고, 추론 단계에서 그와의 거리나 유사도를 비교하는 방식이 많았지만, 이러한 매칭 과정이 비미분적인 경우가 많아 모델 최적화가 제한된다는 문제가 존재했습니다. 본 연구는 이 지점을 해결하기 위해 특징 정렬과 비교 과정을 연속적이고 매끄럽게 계산할 수 있는 구조로 재구성한 점이 인상적이었습니다. 발표에서는 정상 데이터의 특징 공간을 정교하게 학습하고, 입력 샘플이 이 공간과 얼마나 어긋나는지를 미분 기반으로 정량화함으로써 이상 탐지 모델이 특징 표현과 매칭 전략을 함께 최적화할 수 있다는 점을 강조해주셨습니다. 이를 통해 모델이 정상 패턴의 구조를 더 깊이 이해하고, 데이터 속 미세한 일탈도 효과적으로 포착할 수 있다는 설명이 설득력 있게 다가왔습니다. 이번 연구는 기존의 분리된 특징추출–매칭 방식을 하나의 통합된 학습 프레임워크로 바꿔 이상 탐지의 안정성과 표현력을 모두 높일 수 있다는 점에서 의미 있는 접근이라고 느껴졌습니다. 좋은 발표 감사합니다!

이번 세미나는 기존 Representation 기반 AD 방법론들이 특징 추출과 특징 매칭 과정을 분리해서 최적화하기 때문에 이 둘 사이의 불일치 문제가 존재한다는 한계점을 개선하기 위해 동일한 프레임워크 내에서 이들을 통합하고자 한 “DFM: Differentiable Feature Matching for Anomaly Detection”이라는 논문에 대한 발표를 중심으로 진행되었습니다. DFM은 이름에서도 알 수 있듯이, 기존의 특징 매칭 방식을 미분 가능한(Differentiable) 모듈로 변환하여 특징 추출기의 학습 과정에서 End-to-End로 함께 최적화시킵니다. 이를 위해서 먼저 Matching Layer를 통해 Memory Bank를 파라미터로 간주하여 함께 학습되도록 합니다. 이후에는 Min Pooling과 Max Pooling 이전에 입력 형태를 유지하는 Linear Layer와 같은 모듈로 구성된 두 개의 학습 가능한 Modulater Layer를 삽입합니다. 마지막으로 Min Pooling과 Max Pooling을 통해 픽셀 및 이미지 수준의 이상 점수를 계산하는 식으로 특징 매칭 모듈을 구성합니다. 최적화 과정에서는 Adapter와 Two-Stage Iterative Training 방식으로 학습을 진행해 Few-Shot / Continual / Supervised AD에서 좋은 성능을 보였습니다. 연구의 목적 자체와 이를 해결하기 위한 모듈 구성이 직관적이어서 좋았던 것 같습니다. 좋은 발표 해주셔서 감사합니다.

이번 세미나는 CVPR 2025에 게재된 “CFM: Differentiable Feature Matching for Anomaly Detection” 논문을 다루었습니다. 기존의 few-shot 기반 이상 탐지 기법들은 주로 (1) 고품질 feature 확보를 위한 pretrained model의 재학습, 혹은 (2) 추출된 feature를 효율적으로 매칭하기 위한 새로운 방법론 제안에 초점을 맞추어 왔습니다. 그러나 두 접근을 동시에 고려한 연구는 부족했으며, 본 논문은 이에 대한 필요성을 제기하고 있습니다. 저자들은 pretrained model에 adaptor를 추가하고, min-max pooling을 활용한 loss function을 적용하여 두 가지 관점을 동시에 반영할 수 있는 학습 방법론을 제안합니다. 논문은 기존 방법론들의 한계를 잘 지적하였으나, 이러한 통합적 접근의 필요성을 충분히 설득력 있게 제시하지는 못한 점이 아쉬웠습니다. 특히 실험 결과에서 pretrained model에 adaptor만 적용해도 제안한 방법과 유사한 성능을 보였다는 점은, 논문의 motivation을 다소 약하게 만드는 부분으로 보입니다. 또한 제안된 구조가 결합 학습임을 주장하지만, 실제로는 pretrained feature에 수렴하도록 학습이 진행되기 때문에 완전히 새로운 joint learning 방식으로 보기에는 무리가 있다는 인상을 받았습니다. 그럼에도 불구하고 본 논문은 anomaly detection 분야에서 feature matching을 새롭게 바라볼 수 있는 아이디어와 여러 가지 인사이트를 제공하였으며, 발표를 통해 많은 점을 배울 수 있었습니다. 좋은 발표를 준비해주셔서 감사합니다.

Feature extraction-matching을 하나의 파이프라인으로 두어 공동 최적화한다는 간결한 아이디어, nearest neighbor matching과 함께 feature matching network (FMN)를 설계하여 matching module 자체를 학습 가능하도록 한다는 설계가 인상적인 연구였습니다. Memory bank 자체를 파라미터로 취급하는 것과 동시에, adapter 삽입 및 2-stage 반복 학습을 통해 안정성을 확보한 것에도 설득력이 있었습니다. 실험 결과 상으로도 few-shot 세팅에서 PatchCore 대비 일관된 성능 향상, continual AD에서도 SOTA를 달성한 것이 인상적이었습니다. 또한 행렬 연산 기반 매칭으로 추론 속도가 빨라지지만 메모리 사용량은 늘어나는 trade-off도 투명하게 서술한 것도 좋다고 느꼈습니다. 좋은 연구 소개 감사합니다!

이번 세미나에서는 CFM: Differentiable Feature Matching for Anomaly Detection(CVPR2025) 논문을 발표해주셨습니다. DFM 모델은 Differentiable Feature Matching을 통해 기존의 특징 매칭 기반 이상 탐지에서 특징 추출과 매칭 과정을 end-to-end로 공동 최적화할 수 있도록 설계되어, 특징 추출기와 매칭 모듈 간의 불일치를 해소한 부분이 참신하게 느껴졌습니다. 또한 기존 nearest neighbor matching을 학습 가능한 Feature Matching Network로 대체하여, pooling 연산과 modulate layer를 통해 유연한 feature matching을 가능하게 한 아이디어도 좋았습니다. Few-shot, continual, supervised AD 상황으로 세팅을 나누어 평가했고 모든 실험에서 CFM이 뛰어난 성능을 보여주어 연구의 우수성을 확인할 수 있었습니다. 이미지 AD 분야에서 최신 연구 흐름을 따라갈 수 있는 좋은 발표해 주셔서 감사합니다.

이번 세미나는 “DFM: Differentiable Feature Matching for Anomaly Detection” 논문으로 진행되었습니다. 기존 Representation 기반 이상 탐지 방법론들이 특징 추출과 매칭을 분리하여 최적화함으로써 발생하는 불일치 문제를 해결하기 위해, 본 연구는 이를 단일 프레임워크에서 End-to-End로 통합하는 접근을 제안합니다. 핵심은 기존의 최근접 이웃 매칭을 Differentiable Feature Matching 모듈로 변환하고, 이를 통해 특징 추출기와 매칭 과정이 함께 최적화되도록 한 것입니다. 구체적으로 Matching Layer와 학습 가능한 Modulator Layer, 그리고 Min/Max Pooling을 조합해 픽셀 및 이미지 수준의 이상 점수를 계산합니다. 또한 Adapter와 Two-Stage Iterative Training을 활용해 Few-Shot, Continual, Supervised AD 환경에서 우수한 성능을 보여주었습니다. 문제 정의가 명확하고 해결 방식이 직관적이라는 점에서 인상 깊은 연구였습니다. 좋은 발표 감사드립니다.

이번 세미나는 이미지 이상치 탐지 분야에서 end-to-end 학습 방법론을 제시한 “DFM: Differentiable Feature Matching for Anomaly Detection”을 중심으로 진행되었습니다. 기존의 embedding 기반 이상치 탐지 방법론은 embedding을 생성하는 백본과 matching을 시키는 matcher가 별도로 훈련되어 유기적으로 해당 태스크를 수행하도록 훈련시키기 어렵다는 한계가 존재합니다. 이에 해당 논문에서는 matching 과정을 pooling으로 대체하고 adapter를 통한 학습을 진행하여 이미지 이상치 탐지를 수행하게 됩니다. 아이디어나 동기 자체는 매우 직관적이고 향후에도 연구가 필요할 것으로 보이는 연구였습니다. 다만 실험 환경에서 이상치 데이터에 접근이 가능할 때는 few shot learning을 하는 방법론과만 비교하고 continual learning 때는 이러한 방법론을 제외하고 비교하는 것이 아쉬웠습니다. 해당 방법론의 성능 개선 원인이 end-to-end에 있기보다는 시나리오 별로 학습 데이터를 유동적으로 활용하는데 있는 것으로 이해하였는데, 이러한 조건을 타 방법론에도 적용해보면 성능이 어떻게 변하는지 궁금한 연구였습니다. 좋은 발표 감사드립니다.

이번 세미나에서는 "DFM: Differentiable Feature Matching for Anomaly Detection" 논문을 다루었습니다. 개인적으로 인상 깊었던 점은 이 연구가 완전히 새로운 모델을 제안하기보다는 기존의 Feature Matching 기반 기법(PatchCore 등)에 학습 가능한 매칭 모듈(FMN)과 Adapter를 add-on 형태로 결합하여 성능을 끌어올렸다는 점이었습니다. 즉, 기존 구조를 무너뜨리지 않고도 end-to-end 최적화를 가능하게 만든 접근이 확장성 있다는 생각이 들었습니다. 특히, 실험 결과에서 GPU 메모리 사용량 증가나 iterative traininig을 통한 안정화 필요성은 실제 적용 단계에서 고려해야 할 trade-off로 보였습니다.
종합적으로, DFM은 anomaly detection 연구에서 feature extractor와 matcher를 분리하지 않고 공동 최적화하는 흐름을 제시했다는 점에서 중요한 연구라고 생각합니다. 좋은 발표 감사드립니다.

이번 세미나에서는 “DFM: Differentiable Feature Matching for Anomaly Detection”연구를 소개해주셨습니다. 기존 이미지 이상 탐지에서 분리되어 최적화되던 특징 추출과 매칭 과정을 하나의 프레임워크로 통합하고, 최근접 이웃 매칭을 풀링 기반의 미분 가능 모듈로 변환해 end-to-end 학습을 가능하게 만든 점이 핵심으로 보였습니다. 구체적으로 메모리 뱅크를 파라미터로 두는 매칭 레이어와 두 개의 학습 가능한 모듈레이터 레이어, 그리고 min/max pooling을 결합해 픽셀·이미지 수준의 이상 점수를 계산하는 설계가 직관적이면서도 확장성이 있었습니다. 또한 어댑터 삽입과 2-stage 반복 학습으로 안정성을 확보하고, few-shot/continual/supervised AD 전반에서 일관된 성능 향상을 보인 점이 인상 깊었습니다. 다만 메모리 사용량 증가와 반복 학습에 따른 트레이드오프는 실제 적용 시 고려가 필요해 보이며, 어댑터만으로도 유사 성능이 나는 사례에 대한 추가 분석이 제공되면 동기의 설득력이 더 높아질 것 같습니다. 전체적으로 feature extractor와 matcher의 공동 최적화를 통해 기존 접근의 불일치를 해소하려는 명확한 문제 정의와 실험으로 많은 시사점을 주는 발표였습니다. 좋은 소개 감사합니다.

이번 세미나는 기존 Feature Matching 기반 이상 탐지 기법의 한계를 극복하기 위해, 특징 추출과 매칭을 end-to-end로 공동 최적화하는 DFM( Differentiable Feature Matching ) 방법을 소개했습니다. 특히 단순한 최근접 이웃 매칭을 학습 가능한 모듈(FMN)로 변환하고, Adapter를 활용해 backbone을 유연하게 조정한다는 점이 신선했습니다. Few-shot 및 Continual Anomaly Detection 환경에서 기존 PatchCore 대비 뚜렷한 성능 향상을 보였다는 점도 인상적이었습니다. 다만 높은 GPU 메모리 사용과 반복적 훈련 과정의 부담이 있다는 점은 아쉬움으로 느껴졌습니다. 그럼에도 불구하고 self-supervised proxy task 의존에서 벗어나, 실제 anomaly detection 목표와 직접적으로 연결된 학습을 가능하게 했다는 점에서 의미 있는 연구라고 생각합니다.

금일 세미나는 “DFM: Differentiable Feature Matching for Anomaly Detection” 논문을 바탕으로 진행되었습니다. 이미지 이상 탐지에서는 다양한 방식으로 이상을 탐지하는데, 그 중 제안 연구에서는 representation-based method를 이용하고 있습니다. 이는 사전학습된 모델을 통하여 이미지 전체를 설명하는 특징 벡터를 추출하고, 테스트 이미지의 특징 벡터와 정상 이미지의 특징 벡터 간의 거리를 계산하여 이상 점수를 산출하는 방식입니다. 하지만, 이러한 방식은 pre-trained backbone에 의존하며, few-shot setting하에서 비효율성을 가지고 있으며, 특징 추출과 매칭 모듈간 align이 되어 있지 않다는 문제점이 존재했습니다. 제안 연구에서는 이러한 문제점을 해결하고자, matching module자체를 학습하도록 새롭게 구성하고 있습니다. 이를 위하여 메모리 뱅크 내의 정상 feature들을 learnable하게 변경하여 parameter로 간주하여 함께 학습될 수 있도록 하며, two-stage pooling(MinPooling, MaxPooling) 전에 두 개의 학습 가능한 modulate layers를 삽입합니다. 다음으로, 기존의 NN matching을 두 개의 pooling layer로 대체함으로써, MinPooling과 MaxPooling을 통해 픽셀 및 이미지 수준의 이상 점수를 계산하는 방식으로 이상 탐지를 수행합니다. Representation-based anomaly detection 방법에서의 새로운 인사이트를 얻을 수 있었던 좋은 발표 정말 감사드립니다.

이번 세미나에서는 "DFM: Differentiable Feature Matching for Anomaly Detection" 논문에 대해 소개해주셨습니다. 해당 논문에서는 기존 이상 탐지 기법의 한계였던 특징 추출과 매칭 모듈의 분리 최적화 문제를 해결하며, 두 과정을 end-to-end로 통합 학습할 수 있도록 하였습니다. 특히 최근접 이웃 매칭을 미분 가능한 연산으로 변환한 Feature Matching Network(FMN) 설계가 인상적이었고, Adapter를 통한 backbone 적응도 효과적으로 작동한 것으로 보입니다. few-shot과 continual anomaly detection 등 다양한 시나리오에서의 성능 향상 결과가 제안 방법의 일반화 가능성을 잘 보여주었다고 생각합니다. 다만 GPU 메모리 사용량 증가와 학습 복잡도는 실용화 측면에서 추가 고려가 필요해 보입니다. 좋은 발표 감사합니다!

이번 세미나에서는 "DFM: Differentiable Feature Matching for Anomaly Detection" 라는 논문을 주제로 진행되었습니다. DFM은 기존 이상 탐지(Anomaly Detection) 연구에서 feature extractor와 feature matching 모듈이 별도로 최적화되어 불일치가 발생하는 한계를 개선하기 위해, 특징 추출과 매칭을 하나의 end-to-end 프레임워크로 통합한 것이 핵심입니다. 기존 최근접 이웃(Nearest Neighbor) 기반 매칭을 풀링(pooling) 연산으로 변환하고, 이를 Feature Matching Network(FMN)에 흡수함으로써, 특징 추출기와 매칭 기준을 동시에 학습·최적화할 수 있도록 만든 것이 주요 아이디어였습니다. DFM은 기존 representation 기반 anomaly detection 한계를 구조적으로 보완하고, 다양한 산업 응용 시나리오에서 혁신적 개선을 안기는 실제적·이론적 기여가 큰 연구라고 느껴졌습니다. 좋은 발표 준비해주셔서 감사합니다.

이번 세미나에서는 CVPR 2025에 게재된 “DFM: Differentiable Feature Matching for Anomaly Detection” 논문을 소개해주셨습니다. 본 연구는 기존 representation 기반 이상 탐지 기법들이 feature extractor와 matcher를 독립적으로 최적화함으로써 생기는 불일치 문제를 해결하기 위해, 두 과정을 하나의 end-to-end 프레임워크 내에서 공동 학습하도록 제안했습니다. 특히 기존의 Nearest Neighbor 기반 매칭을 미분 가능한 형태로 재구성한 Feature Matching Network(FMN) 설계가 흥미로웠습니다. 실험 결과에서도 few-shot, continual, supervised anomaly detection 전반에서 일관된 성능 향상을 보이며 제안 방식의 범용성과 실효성을 입증했습니다. 다만, end-to-end 최적화로 인한 메모리 사용량 증가와 학습 복잡도는 실용적인 제약으로 작용할 수 있을 것 같습니다. 좋은 발표해주셔서 감사합니다.

이번 세미나는 CVPR 2025에 게재된 “DFM: Differentiable Feature Matching for Anomaly Detection” 논문을 중심으로 진행되었습니다. 본 연구는 기존 이미지 이상 탐지에서 분리되어 최적화되던 특징 추출(feature extraction)과 매칭(matching) 단계를 하나의 end-to-end 프레임워크로 통합했다는 점에서 주목할 만했습니다. 특히 최근접 이웃 매칭(Nearest Neighbor Matching)을 미분 가능한 형태로 재구성하여, 학습 가능한 Matching Layer와 Modulator Layer를 통해 특징 추출기와 매칭 과정을 동시에 최적화하는 구조가 인상적이었습니다. 또한 min/max pooling을 활용해 픽셀 및 이미지 수준의 이상 점수를 계산하고, Adapter 삽입과 2단계 반복 학습(2-stage iterative training)을 통해 few-shot, continual, supervised AD 환경 전반에서 안정적인 성능 향상을 달성한 점도 돋보였습니다. 다만 Adapter만 추가해도 유사한 수준의 성능이 나타났다는 점은 제안된 통합 학습 구조의 필요성을 다소 약화시키는 부분으로 보였습니다. 그럼에도 feature matching을 단순 비교 단계를 넘어 학습 가능한 모듈로 확장했다는 점에서, anomaly detection 분야의 새로운 방향성을 제시한 의미 있는 연구였습니다. 좋은 발표 감사합니다.