금일은 ICLR 2024에 발표된 “MUSC: Zero-Shot Industrial Anomaly Classification and Segmentation with Mutual Scoring of the Unlabeled Images” 논문 세미나가 진행 되었습니다. 학습 없이 배치 (테스트 데이터 전체) 안에서 이상 탐지를 수행하는 Batch-Zeroshot 프레임 워크를 소개한 연구로, 산업용 제품 이미지에서 정상 패치는 다른 이미지들에서도 유사한 패치를 쉽게 찾을 수 있지만, 이상 패치는 그렇지 않다는 관찰을 기반으로, 패치 단위로 서로에게 이상 점수를 매기는 Mutual Scoring Mechanism (MSM)을 제안하였습니다. 또, 이상 크기의 다양성을 반영하기 위한 Local Neighborhood Aggregation with Multiple Degrees(LNAMD)와 정상과 비정상 이미지간의 차이를 유의미하게 대변하여, 오탐을 줄이기 위해 Re-scoring with Constrained Image-level Neighborhood (RsCIN))라는 이상치 점수 최적화 기법을 도입하여 유의미한 성능 개선을 보여주었습니다. 다수의 few-shot, full-shot 방식보다도 우수한 결과를 보인 점과, 일반화 성능을 보여줌으로써 실제 산업 현장에서의 적용 가능성을 보여줬다는 점이 인상적이었습니다. 일반적인 제조 산업 현장에서와 같이 데이터들이 정렬되어 고정된 형태를 띄는 환경에서 좋은 퍼포먼스를 보여줄 수 있을 것이라는 기대와 함께, 모든 계산이 테스트 이미지들 간의 상호 비교를 기반으로 하기 때문에 추론 시간과 메모리 소모가 커지는 한계가 예상됩니다. 그럼에도 불구하고, 기존 다른 방법들과는 다른 접근에 흥미로웠고, 타 도메인으로의 확장 적용도 기대가 됩니다. 좋은 발표 감사합니다.

이번 세미나에서 소개된 MuSc: Zero-Shot Industrial Anomaly Classification and Segmentation with Mutual Scoring of the Unlabeled Images 논문이 소개되었습니다. 해당 연구에선 학습 데이터 없이 테스트 이미지들 간의 관계만으로 이상을 탐지한다는 점이 인상적이었습니다. 특히 테스트 이미지끼리 직접 비교하는 Mutual Scoring 방식은 zero-shot 환경의 특성을 잘 활용한 접근으로 느껴졌습니다.

또한 anomaly segmentation 결과를 그대로 사용하지 않고, class token 기반 RsCIN 모듈을 통해 image-level 점수를 보완한 점도 설득력 있었습니다. 이러한 구성 덕분에 기존 zero-shot 방법 대비 안정적인 성능 향상을 보였다는 점이 인상 깊었습니다.
다만, 단순히 test image들 간의 비교만으로는 anomaly 탐지가 100% 신뢰할 수 있을 정도로 진행될 수 있을지에 대해서는 의문이 남는 듯 합니다.
(ex. 이미지 내 큰 이상 -> 오히려 이상 특징들끼리 더 비슷한 형상을 띌 수 있음)

전반적으로 실제 산업 환경에서의 zero-shot anomaly detection을 현실적으로 확장한 연구라는 생각이 들었고, 실험 결과 역시 제안 방법의 효과를 잘 보여준 발표였다고 생각됩니다.
좋은 발표 준비해 주셔서 감사합니다!

금일 세미나에서는 ICLR 2024에 발표된 “MuSc: Zero-Shot Industrial Anomaly Classification and Segmentation with Mutual Scoring of the Unlabeled Images” 논문이 소개되었습니다. MuSc는 학습 데이터나 텍스트 프롬프트 없이, 테스트 배치 내부의 unlabeled 이미지들만 상호 비교해 anomaly classification/segmentation을 수행할 수 있는 가능성을 제시한 논문으로, “정상 패치는 다른 이미지에서 유사 패치를 많이 찾지만, 이상 패치는 찾기 어렵다”는 관찰을 바탕으로 Mutual Scoring Mechanism(MSM)을 설계하였습니다. 또, 크기가 다양한 결함을 다루기 위해 LNAMD로 다중 스케일 패치 표현을 보강한 구성이 설득력 있었습니다. Segmentation의 max 점수에만 의존하지 않고 class token 유사도로 재보정하는 RsCIN이 노이즈로 인한 FP를 줄이는 방향이라는 점도 인상적이었습니다. 다만 테스트 배치의 대부분이 정상이라는 전제에 의존적이고, 이미지 수에 따라 상호 비교 비용이 커지는 한계도 있어 실제 운영 시 배치 분할 전략의 영향이 추가로 검증되면 좋겠다는 생각이 들었습니다. 그럼에도 불구하고 값비싼 레이블링 비용 없이도 실제 산업 환경에서 Anomaly Classification을 수행할 수 있는 가능성을 보여 준 흥미로운 연구라고 생각합니다. 좋은 발표 감사합니다!

이번 세미나에서는 “MuSc: Zero-Shot Industrial Anomaly Classification and Segmentation with Mutual Scoring of the Unlabeled Images” 논문을 통해, 학습 없이 테스트 배치 내부의 이미지들만으로 이상 탐지를 수행하는 zero-shot 프레임워크를 다뤘습니다. 정상 패치는 다른 이미지에서도 쉽게 매칭되지만 이상 패치는 그렇지 않다는 관찰을 Mutual Scoring Mechanism으로 잘 풀어낸 점이 인상적이었습니다. LNAMD와 RsCIN을 통해 다양한 결함 크기와 오탐 문제를 보완한 구성 역시 설득력 있었습니다. 추론 비용과 배치 의존성이라는 한계는 있지만, 실제 산업 환경에서 레이블 없이 anomaly classification/segmentation을 가능하게 했다는 점에서 의미 있는 연구라고 느꼈습니다. 좋은 발표 감사합니다.

Zero-shot 이상탐지에서 추가 학습 및 프롬프트 없이 이미지 집합 자체의 정상/이상 지표를 활용 가능하다는 관점을 제시한 것이 인상적인 논문이었습니다. 특히 산업 데이터의 테스트 픽셀 대부분이 정상패턴이기에, 각 이미지가 서로를 기준으로 이상 점수를 매기는 Batch Zero-Shot과 Mutual Scoring 방법론 구성이 깔끔하다고 생각했습니다. 또한 Mutual Scoring Mechanism에서 모든 패치를 대상으로 top-k를 선정하는 기존의 memory bank 기반 방식과 달리, 이미지별 최인접 패치 중 하위 n% 평균을 결정하는 절차를 통해 이상-이상 매칭으로 인한 contamination 감소를 의도한 것이 인상적이었습니다. 학습 데이터가 부족하거나 없는 practical한 상황을 가정하여 테스트 배치 자체를 참조 대상으로 설정하는 프레임워크는 실제 현장에서도 유의미할 수 있는 접근이라고 생각이 들었습니다. 좋은 세미나 감사합니다!

이번 세미나는 산업 현장에서 발생하는 이미지 데이터 대상의 zero-shot anomaly classification과 segmentation을 주제로 진행되었습니다. 일반적으로 anomaly detection이라는 과업이 중심이 되지만 소개해주신 논문에서는 anomaly classification이라고 직접적으로 명시되어 있는 점이 특이했습니다. 더불어, industrial 이라는 표현이 물론 실험에 활용한 데이터셋이 일반적으로 industrial 데이터라는 점은 널리 알려졌지만, industrial 이미지라서 그렇지 않은 이미지와의 어떤 차이가 있는지도 함께 논문에 소개되었으면 어땠을까 싶습니다. 한편, 본 논문에서 zero shot은 정말 바로 test 데이터를 추론 시킴을 의미했습니다. 그래서 batch 구성도, 비록 label은 없지만 대부분의 정상 데이터와 소수의 이상 데이터로 이루어졌다고 생각합니다. 해당 컨셉은 다른 데이터 타입에서도 적용할 수 있을 것으로 보입니다. 다만, 희박한 확률이지만 이상이 대다수를 차지하는 배치 구성에서도 잘 작동할지 궁금합니다. 흥미로운 발표였습니다. 감사합니다.

이번 세미나에서는 ICLR 2024에 발표된 “MuSc: Zero-Shot Industrial Anomaly Classification and Segmentation with Mutual Scoring of the Unlabeled Images” 논문을 중심으로, 학습 데이터나 프롬프트 없이 테스트 이미지 집합 자체를 기준으로 이상을 탐지하는 Batch Zero-Shot 관점이 소개되었습니다. 산업 데이터에서 테스트 픽셀의 대부분이 정상이라는 현실적인 가정을 바탕으로, 이미지들이 서로를 기준 삼아 이상 점수를 매기는 Mutual Scoring Mechanism을 설계한 점이 특히 인상적이었습니다. 기존 memory bank 기반 방식과 달리, 이미지별 최인접 패치 중 하위 n% 평균을 사용하는 전략으로 이상–이상 매칭으로 인한 contamination을 줄이려 한 점도 설득력 있게 느껴졌습니다. 또한 다양한 결함 크기를 반영하기 위한 LNAMD와, segmentation 점수를 class token 유사도로 재보정하는 RsCIN을 통해 오탐을 완화한 설계 역시 실용적인 접근으로 보였습니다. 테스트 배치 대부분이 정상이라는 전제와 배치 크기에 따른 계산 비용 증가라는 한계는 존재하지만, 학습 데이터가 부족하거나 전혀 없는 실제 산업 환경을 직접적으로 겨냥한 프레임워크라는 점에서 의미 있는 연구라고 생각합니다. 좋은 발표 감사합니다.

이번 세미나에서는 ICLR 2024에 발표된 “MuSc: Zero-Shot Industrial Anomaly Classification and Segmentation with Mutual Scoring of the Unlabeled Images” 논문을 다루며, 학습 단계 없이 테스트 배치 내부의 이미지들만을 활용해 이상을 탐지하는 Batch Zero-Shot 프레임워크를 소개받았습니다. 산업 이미지에서 정상 패치는 여러 이미지에서 반복적으로 관측되는 반면, 이상 패치는 그렇지 않다는 직관을 바탕으로 Mutual Scoring Mechanism을 설계한 점이 핵심 아이디어로 인상 깊었습니다. 또한 결함 크기의 다양성을 고려한 LNAMD와, segmentation 결과를 image-level 관점에서 재보정해 오탐을 줄이려는 RsCIN 모듈은 실제 적용을 염두에 둔 설계로 느껴졌습니다. 기존 few-shot이나 full-shot 방식 대비 경쟁력 있는 성능을 보였을 뿐 아니라, 일반화 성능을 통해 산업 현장에서의 활용 가능성을 보여준 점도 긍정적으로 다가왔습니다. 다만 모든 연산이 테스트 이미지 간 상호 비교에 기반하다 보니, 배치 크기가 커질수록 추론 시간과 메모리 부담이 증가할 수 있다는 한계는 현실적인 고민 지점으로 보였습니다. 그럼에도 불구하고 기존 접근들과는 다른 관점에서 zero-shot anomaly classification/segmentation 문제를 풀어낸 흥미로운 연구였으며, 향후 다른 도메인으로의 확장 가능성도 기대되는 발표였습니다. 감사합니다.

이번 세미나에서는 “MuSc: Zero-Shot Industrial Anomaly Classification and Segmentation with Mutual Scoring of the Unlabeled Images” 논문을 통해, 학습 없이 테스트 배치 내부의 unlabeled 이미지들만으로 이상을 탐지하는 Batch Zero-Shot 접근이 소개되었습니다. 정상 패치는 다른 이미지들에서도 유사 패치를 찾기 쉽고 이상 패치는 그렇지 않다는 관찰을 바탕으로 한 Mutual Scoring Mechanism(MSM)이 핵심으로, 이미지 간 하위 n% 최인접 패치 평균을 활용해 이상-이상 매칭으로 인한 오염을 줄이려는 설계가 인상적이었습니다. 다양한 결함 크기를 반영하는 LNAMD로 다중 스케일 패치 표현을 보강하고, segmentation의 max 점수에만 의존하지 않도록 class token 기반 RsCIN으로 image-level 점수를 재보정해 오탐을 완화한 구성도 실용적이라고 느꼈습니다. 테스트 배치 대부분이 정상이라는 전제에 대한 의존성과, 이미지 수가 커질수록 상호 비교로 인한 추론 시간·메모리 비용이 증가하는 한계는 존재하지만, 레이블 없이도 산업 현장에서 anomaly classification/segmentation을 수행할 수 있는 가능성을 설득력 있게 보여주었습니다. 특히 few/full-shot 대비 경쟁력 있는 성능과 일반화 능력은 실제 적용 가능성을 뒷받침하는 결과로 보였으며, 배치 구성이나 도메인 변화에 따른 견고성 검증이 추가된다면 더 강한 프레임워크로 발전할 여지가 있다고 생각합니다. 좋은 발표 감사합니다.

금일 세미나는 “MuSc: Zero-Shot Industrial Anomaly Classification and Segmentation with Mutual Scoring of the Unlabeled Images” 논문을 바탕으로 진행되었습니다. 해당 연구는 기존의 이상탐지 방식과는 달리, batch zero-shot이라는 새로운 형태의 이상탐지 프레임워크를 제안하고 있습니다. 이는 사전 학습 없이 주어진 배치 내에서 직접 이상탐지를 수행하는 방식으로, 임의의 배치가 입력되더라도 배치 내에는 다수의 정상 데이터가 포함되어 있으며, 이 정상 데이터들은 하나의 학습된 normal space로 투영될 수 있다는 가정에 기반한 접근입니다. 제안된 방법론에서는 크기가 서로 상이한 이물을 효과적으로 탐지하기 위해 Local Neighborhood Aggregation with Multiple Degrees를 도입하였으며, 동시에 각 Degree에서 계산된 이상 점수가 특정 스케일에 치우치지 않도록 Mutual Scoring을 통해 모든 Degree에서 균등하게 이상 점수를 산출하는 구조를 제안하고 있습니다. 이러한 배치 기반 zero-shot 이상탐지 접근법은 기존의 학습 기반 이상탐지 방법과는 확연히 다른 관점을 제시한다는 점에서 인상적이었으며, 본 세미나를 통해 해당 유형의 이상탐지 방법론을 처음으로 접할 수 있었습니다. 좋은 발표 정말 감사드립니다.

이번 세미나에서는 “MuSc: Zero-Shot Industrial Anomaly Classification and Segmentation with Mutual Scoring of the Unlabeled Images” 논문을 바탕으로 별도의 학습 데이터 없이 테스트 배치 내 데이터 간의 상호 비교를 통해 이상을 탐지하는 Batch Zero-Shot 프레임워크인 MuSc를 소개해 주셨습니다. 이 방법론은 산업 데이터의 대다수가 정상이라는 특성을 활용하며, 크게 세 가지 핵심 모듈로 구성되었습니다. 먼저 LNAMD는 다양한 크기(r=1, 3, 5)의 로컬 패치 특징을 응집하여 이상 탐지의 오검출을 줄이고 정밀도를 높였습니다. 다음으로 MSM(Mutual Scoring Mechanism)은 고정된 메모리 뱅크 대신 테스트 이미지들 사이의 최인접 패치 거리를 계산하여 이상 점수를 산출하며, 마지막으로 RsCIN은 ViT 클래스 토큰의 유사도를 기반으로 인접 이미지들의 점수를 활용해 로컬 노이즈에 민감한 이미지 레벨의 이상 점수를 보정했습니다. 실험 결과, MuSc는 MVTec AD 및 VisA 데이터셋에서 기존의 Zero-Shot 방법론은 물론 일부 Few-Shot 모델보다도 뛰어난 성능을 입증한 점에서 본 방법론의 우수성이 느껴졌습니다. 좋은 발표 감사합니다.

이번 세미나에서는 "MuSc: Zero-Shot Industrial Anomaly Classification and Segmentation with Mutual Scoring of the Unlabeled Images" 논문에 대해 소개해주셨습니다. MuSc는 학습 데이터 없이 테스트 이미지들 간의 관계만을 활용하는 Mutual Scoring이라는 관점이 매우 인상적인 연구라고 느꼈습니다. 특히 테스트 배치 내에서 대부분이 정상이라는 산업 데이터의 특성을 잘 활용했다는 점에서, zero-shot 설정에 잘 부합하는 접근이라고 생각합니다. 또한 Mutual Scoring과 RsCIN을 통해 패치 단위 및 이미지 단위에서 anomaly score의 안정성을 효과적으로 향상시킨 점이 인상 깊었습니다. 좋은 발표 감사합니다.

이번 세미나에서는 “MuSc: Zero-Shot Industrial Anomaly Classification and Segmentation with Mutual Scoring of the Unlabeled Images” 논문을 소개해주셨습니다. 본 연구는 라벨이 전혀 없는 산업 이미지 환경에서 이상을 분류하고 분할해야 하는 현실적인 문제를 다루며, 사전 학습된 모델의 능력을 최대한 활용해 추가 학습 없이 이상을 식별하려는 점에서 흥미로운 접근을 보여주었습니다. 특히 이상 탐지를 넘어, 이상 유형의 구분과 위치까지 동시에 고려했다는 점이 인상적이었습니다. 발표에서는 개별 이미지 단위의 판단에 의존하지 않고, 데이터셋 내 이미지들 간의 상대적인 관계를 활용하는 ‘상호 스코어링’ 개념이 핵심 아이디어로 설명되었습니다. 각 이미지가 서로를 기준으로 얼마나 정상적이거나 이질적인지를 평가함으로써, 명시적인 기준 없이도 이상 패턴을 드러낼 수 있다는 설명이 설득력 있게 다가왔습니다. 이러한 방식은 산업 환경처럼 정상 데이터만 풍부하고 이상에 대한 사전 정보가 거의 없는 상황에서 특히 유용해 보였습니다.

이번 세미나에서는 MuSc: Zero-Shot Industrial Anomaly Classification and Segmentation with Mutual Scoring of the Unlabeled Images 논문을 소개해주셨습니다. 본 논문은 학습 데이터 없이 테스트 배치 내부의 이미지들 간 상호 비교만으로 이상 분류와 분할을 수행하는 Batch Zero-Shot anomaly detection 프레임워크를 중심으로 전개됩니다. 산업 이미지에서 정상 패치는 여러 이미지에서 반복적으로 관측되지만 이상 패치는 그렇지 않다는 관찰을 바탕으로 Mutual Scoring Mechanism을 설계한 점이 핵심 아이디어로 인상적이었으며, 다양한 결함 크기를 반영하기 위한 LNAMD와 image-level 오탐을 줄이기 위한 RsCIN 모듈이 실제 산업 환경을 고려한 설계로 느껴졌습니다. 실험 결과, 기존 zero-shot과 일부 few-shot/full-shot 방법보다도 우수한 성능과 일반화 능력을 보여 제안한 방법론이 실용적임을 입증하였습니다. 다만, 모든 연산이 테스트 이미지 간 상호 비교에 기반하기 때문에 배치 크기에 따라 추론 시간과 메모리 비용이 증가하는 한계점이 존재합니다. 그럼에도 불구하고, 기존 접근과는 다른 관점에서 zero-shot anomaly classification과 segmentation 문제를 풀어낸 흥미로운 연구였으며, 실제 산업 현장 및 타 도메인으로의 확장 가능성이 기대되는 연구였습니다. 좋은 발표 감사합니다.