이번 세미나는 기존 방법론들이 학습 데이터셋에 존재하는 정상 이미지에 포함된 정상 프로토타입만을 활용하는 과정에서 실제 테스트 이미지와의 정렬 오류로 인해 발생하는 문제점을 개선시킨 INP-Former를 제안한 “Exploring Intrinsic Normal Prototypes within a Single Image for Universal Anomaly Detection”라는 논문에 대한 발표를 중심으로 진행되었습니다. 초기 이상치 탐지 분야에서 대부분의 방법론들이 정상성을 학습하기 위해 Memory Bank를 구축하거나 정상 분포를 학습하는 등 학습 데이터셋 내 정상 이미지를 최대한 활용하는 방향으로 흘러갔었는데, 이것이 테스트 데이터셋이 주어졌을 때 정상성을 제대로 대표하지 못한다는 문제점으로 귀결된다는 점이 흥미로웠습니다. 방법론적인 측면에서 테스트 이미지를 참고해 INP를 추출하고, 이를 가이드로 활용해서 디코더를 통해 재구축하는 과정을 통해 학습이 이루어진다는 점 또한 논리적으로 납득이 가는 모델 구조였습니다. 그러나 해당 방법론이 논리성을 얻기 위해선 실제 학습 이미지 내 존재하는 정상성이 테스트 이미지와는 미정렬됨을 보여줄 수 있는 추가적인 입증 과정이 필요하다는 생각이 들었습니다. 일반적인 이상치 탐지 모델들을 생각했을 떄 같은 클래스에 속해 있다면 정상 이미지와 비정상 이미지 간 차이는 일부 영역에서만 발생하기 때문에 정상성을 충분히 반영할 수 있지 않나라는 생각이 계속 들어 아쉬웠습니다. 또한 리포팅한 성능 또한 기존 SOTA 모델인 Dinomaly와 유의미한 차이는 아니지 않나라는 생각이 들었습니다. 그래도 해결하고자 하는 문제 자체가 매우 흥미로워 좋은 인사이트를 얻을 수 있었습니다. 좋은 발표 해주셔서 감사합니다.

이번 세미나에서는 "Exploring Intrinsic Normal Prototypes within a Single Image for Universal Anomaly Detection"라는 논문에 대해 소개해주셨습니다. 해당 논문은 기존의 외부 정상성에 의존했던 한계를 극복하고, 단일 테스트 이미지 내에서 고유한 정상 패턴을 추출하는 접근을 보여줍니다. 특히, 다양한 이상 탐지 설정에 모두 대응 가능한 점은 이 방식의 범용성과 실용성을 잘 보여주고 있습니다. INP Coherence Loss로 정렬된 정상 프로토타입을 학습하고, INP-Guided Decoder로 이상 재구성을 억제하는 구조는 매우 직관적이면서도 뛰어난 성능을 보였다는 점에서 인상깊었습니다. 다만, 논리적 이상이 배경과 매우 유사한 경우에는 오탐 가능성이 있다는 한계도 명확히 짚고 있어, 향후 pre-stored prototypes와의 하이브리드 구조가 기대되는 부분입니다. 전반적으로 Anomaly Detection 분야에서 학습 효율성과 정렬성을 함께 고려한 매우 실용적인 프레임워크라고 생각됩니다. 좋은 논문 소개해주셔서 감사합니다!

이번 세미나에서는 "Exploring Intrinsic Normal Prototypes within a Single Image for Universal Anomaly Detection"라는 논문에 대해 다루었습니다. 기존의 외부 정상 데이터에 의존하던 한계를 극복하고, 하나의 이미지 내에서 고유한 정상 프로토타입을 추출하는 방식이 참신하게 느껴졌습니다. INP Coherence Loss와 INP-Guided Decoder를 활용해 정상 패턴만을 재구성하고, 이를 이상 탐지에 효과적으로 적용한 점이 인상적이었습니다. 다만 실제 다양한 환경에서의 일반화 성능이나 기존 SOTA 방법들과의 차별성이 더 명확하게 드러났다면 좋았을 것 같다는 아쉬움도 남았습니다. 전반적으로 anomaly detection 분야에서 새로운 방향성을 제시한 흥미로운 논문이었습니다. 좋은 발표 감사합니다!

기존 방법들이 외부 학습 데이터의 정상성에만 의존해 테스트 이미지와의 정렬 문제(misaligned normality)에 직면했던 반면, INP-Former는 테스트 이미지 자체에서 **Intrinsic Normal Prototypes (INPs)**를 동적으로 추출하고 이를 기반으로 재구성 손실을 계산한다는 점이 신선했습니다. 특히, Cross Attention을 이용한 INP Extractor, 추출된 INP가 항상 정상 특징을 잘 대표하도록 유도하는 INP Coherence Loss, 그리고 어려운 영역에 집중하도록 돕는 Soft Mining Loss가 유기적으로 결합된 INP-Guided Decoder 구조가 논리적으로도, 성능적으로도 설득력이 있었습니다. 다만 Transistor 클래스처럼 배경과 논리적으로 유사한 이상치를 검출하는 데는 아직 한계가 있어, 향후 pre‑stored prototypes와의 하이브리드 구조 도입으로 보완할 여지가 있겠습니다. 전반적으로 anomaly detection 분야에 새로운 관점을 제시한 흥미로운 연구인 듯합니다. 좋은 발표 감사합니다!

이번 세미나에서는 "Exploring Intrinsic Normal Prototypes within a Single Image for Universal Anomaly Detection" 논문을 소개해주셨습니다. 기존 이상 탐지 기법들이 학습 데이터에 존재하는 정상성에 의존함으로써, 테스트 이미지와의 정상 정렬이 제대로 이루어지지 않는 문제를 야기한다는 점을 짚어낸 연구였습니다. 이러한 문제의식을 바탕으로, INP-Former는 테스트 이미지 내에서 Intrinsic Normal Prototypes (INPs)를 동적으로 추출하고 이를 기반으로 재구성 손실을 유도하는 새로운 구조를 제안하였습니다.
모델 구조적으로는 Cross Attention 기반의 INP Extractor, INP들이 정상 패턴을 일관되게 반영하도록 돕는 INP Coherence Loss, 그리고 Hard Region에 집중하는 Soft Mining Loss를 결합한 INP-Guided Decoder가 전체적으로 유기적인 방식으로 설계되어 있다는 점이 인상적이었습니다. 특히 별도의 외부 정상 데이터 없이도 높은 성능을 보였다는 점에서, 다양한 환경에서의 적용 가능성이 있는 것 같습니다.
다만, 논리적으로 이상치가 배경과 유사한 경우에는 여전히 오탐 가능성이 존재하며, 이를 보완하기 위한 pre-stored prototype 기반의 하이브리드 구조가 향후 연구 방향으로 이어질 수 있을 것 같다는 생각도 들었습니다. 좋은 연구 소개해주셔서 감사합니다!

이상 탐지 분야의 기존 접근법이 주로 외부의 정상 이미지들과의 비교에 의존했다면, 이번 연구는 테스트 이미지 내부에서 Intrinsic Normal Prototypes(INPs)를 동적으로 추출해서 그 자체로 정상성을 정의하고, 이를 기준으로 이상 영역을 판별하는 INP-Former라는 방법론을 제안하였습니다. INP Extractor에서 INP Coherence Loss를 활용해 정상 프로토타입을 추출하고 INP-Guided Decoder가 정상 패턴 만을 재구성하여 이상 점수로 활용하는 점이 흥미로웠습니다. 좋은 발표 준비해주셔서 감사합니다. 다만 연구 분야를 universal anomaly detection으로 지정한 것에 대한 방향성이 명확히 와닿지 않아 아쉬웠습니다. 좋은 발표 준비해주셔서 감사합니다.

이번 세미나에서는 이미지 단일 샘플 내에서의 고유한 정상 프로토타입을 활용한 범용 이상 탐지 방법론을 제시한 논문 "Exploring Intrinsic Normal Prototypes within a Single Image for Universal Anomaly Detection"을 중심으로 진행되었습니다. 기존 이상 탐지 방식들은 주로 외부의 정상 샘플(예: 학습 데이터셋의 평균적 패턴)을 기반으로 하며, 이로 인해 테스트 이미지와의 misalignment 문제가 발생할 수 있었습니다. 이에 본 논문은 테스트 이미지 자체에서 정상성을 대표하는 특징을 동적으로 추출하는 ‘Intrinsic Normal Prototypes (INPs)’ 개념을 도입하여, 학습된 ViT의 중간 표현에서 정상 토큰을 선택하고 이를 기반으로 디코더가 정상 영역을 중심으로 재구성하도록 설계하였습니다. INP의 일관성을 유지하기 위한 loss와 이상 영역을 효과적으로 무시하기 위한 soft mining loss 등을 통해 성능을 개선하였으며, MVTec-AD, VisA, Real-IAD 등 다양한 벤치마크에서 기존 방법보다 우수한 결과를 보였습니다. 이 논문은 정상성과 이상 패턴을 같은 이미지 내에서 학습한다는 점에서 범용성과 실용성 측면에서 큰 기여를 하고 있습니다.

이번 세미나에서는 “Exploring Intrinsic Normal Prototypes within a Single Image for Universal Anomaly Detection” 논문을 중심으로, 단일 이미지 내에서 고유한 정상 프로토타입(INP)을 추출해 이상을 탐지하는 INP-Former 방법론을 다루었습니다. 기존 대부분의 이상 탐지 모델들이 학습 데이터의 정상 이미지에서 추출한 외부 프로토타입에 의존함으로써, 테스트 이미지와의 정렬 오류(misalignment)가 발생하는 한계를 지적하고, 테스트 이미지 자체에서 정상성을 정의하는 INP를 동적으로 추출해 이를 기반으로 디코더가 재구성하도록 설계한 점이 인상적이었습니다. 학습 과정에서는 INP의 일관성을 유지하는 loss와 이상 영역의 영향을 줄이는 soft mining loss가 활용되었고, 다양한 벤치마크에서 우수한 성능을 보였습니다. 다만, 학습 데이터의 정상성이 테스트 이미지와 다르게 misaligned되어 있다는 전제를 보다 강하게 뒷받침하는 실증적 근거가 부족했던 점과, 기존 SOTA 성능과의 차이가 뚜렷하지 않은 점은 아쉬움으로 느껴졌습니다. 그럼에도 불구하고 기존 접근의 한계를 날카롭게 짚고 새로운 방향을 제시한 점에서 의미 있는 연구라고 생각됩니다. 좋은 발표 감사합니다.

이번 세미나에서는 "Exploring Intrinsic Normal Prototypes within a Single Image for Universal Anomaly Detection"이라는 제목의 논문에 대해 다뤄주셨습니다. 본 연구는 시각적 이상 탐지에서 단일 이미지 내에 존재하는 "정상(normal)" 패턴을 기반으로 모델이 자체적으로 기준점을 생성하고, 이를 통해 이상 여부를 판단하는 새로운 방식을 제안합니다.
발표는 기존 이상 탐지 모델들이 다량의 정상 및 비정상 샘플이나 외부 데이터에 의존하는 한계를 지적하는 것으로 시작되었으며, 이어서 한 장의 이미지로부터 추출한 정상 프로토타입을 어떻게 구성하고 이를 바탕으로 이상을 탐지할 수 있는지를 설명해주셨습니다. 핵심 아이디어는 동일 이미지 내 반복적인 패턴을 정규 패턴으로 간주하고, 이를 프로토타입으로 활용해 이상 영역을 식별하는 접근입니다. 자연스럽게 반복되거나 유사한 구조가 많은 환경에서 매우 실용적인 방식으로 느껴졌습니다.
또한, 프로토타입 구성 단계에서 이미지 내부 특징들을 군집화하고, 이를 정규 표현으로 삼아 이상 패치를 탐지하는 세부 절차를 설명해주셨습니다. 이 방식은 외부 모델 없이 자체적으로 기준을 형성할 수 있다는 점에서 현실적인 제약이 있는 응용 도메인—예를 들어 제한된 데이터 환경이나 특수 장비가 필요한 산업—에서도 유용할 수 있다는 인상을 주었습니다.
이번 발표는 단일 이미지에서 자체적으로 정상 패턴을 식별하고 이를 기준으로 이상을 탐지할 수 있는 새로운 패러다임을 제시했으며, 복잡한 모델 없이도 실용적인 방식으로 적용 가능하다는 점에서 매우 인상 깊었습니다. 다양한 이상 탐지 시나리오에서 이 방법론의 적용 가능성에 대해 다시 생각해보게 만드는 발표였습니다. 좋은 발표 감사합니다