이번 세미나는 GeneralAD: Anomaly Detection Across Domains by Attending to Distorted Features 논문에 대해 소개해주셨습니다. Anomaly detection을 industrial 뿐만 아니라 semantic 관점에서도 모두 잘할 수 있는 방법론을 제안한 연구 입니다. 해당 연구에서는 이를 위해 학습 데이터의 특징을 반영하여 synthetic anomaly feature를 생성하기 위해 다양한 distortion 방법을 제안합니다. SimpleNet과 같이 representation에 noise를 추가하는 방식이지만 attention value를 활용하여 noise를 선택적으로 활용하는 방식도 제안합니다. Semantic anomaly detection은 얼핏 보면 Out-of-Distribution(OOD) detection 과 동일하게 생각되어 큰 틀에서 보면 OOD와 anomaly를 모두 잘 탐지할 수 있는 범용적인 모델이라고 생각됩니다. 좋은 발표 감사합니다.

이번 세미나는 이미지 이상치 탐지를 주제로 진행되었습니다. 다양한 벤치마크에서 좋은 성능을 나타낼 수 있는 방법론인 GeneralAD를 제안한 연구가 소개되었습니다. 벤치마크 간의 이상치 유형이 다르기 때문에 각 방법론들은 해당 벤치마크 또는 해당 유형의 이상치에만 적합할 수 있는 문제가 발생합니다. 이를 극복하기 위해, 학습 과정에서 feature level에서 서로 다른 유형의 distortion을 부여하여 이를 잘 구분할 수 있도록 합니다. 기존에는 비정상 이미지를 새로이 생성하는 과정을 진행하여 꽤나 비용이 많이 드는 점을 개선하였다고 볼 수 있습니다. 생각보다 간단한 방법인 점이 인상 깊습니다. 좋은 발표 감사합니다.

이번 세미나에서는 다양한 도메인에서 일관된 이상치 탐지를 가능하게 하는 프레임워크를 제안한 ‘GeneralAD: Anomaly Detection Across Domains by Attending to Distorted Features’ 논문에 대하여 발표해 주셨습니다. GeneralAD는 사전 학습된 ViT(DINOv2) Feature Extractor와 Self-supervised Anomaly Feature Generation(SAG) 모듈을 통해 pseudo-abnormal 샘플을 생성하였습니다. 기존 방법론들이 특정 데이터셋에 과적합되어 일반화 성능이 떨어지는 문제를 해결하기 위해, GeneralAD는 패치 단위의 이상치 탐지를 Transformer 기반 Discriminator를 사용하여 다양한 이상치 유형을 탐지합니다. Semantic, Near-Distribution, Industrial 환경에서 모두 적용 가능하다는 점에서 모델의 범용성이 뛰어남을 보여주며, 특히 패치 간 의미론적 상관관계를 추론하여 Global Semantic Shift를 효과적으로 탐지하는 점이 기존 Self-supervised AD 모델들과의 차별점으로, Near-Distribution AD에서 뛰어난 성능을 발휘한 점이 인상깊었습니다. 또한, SAG 모듈을 통해 Attention value가 높은 패치에 다양한 방식으로 노이즈를 추가하거나 섞음으로써 미묘한 구조적 및 논리적 이상치를 효과적으로 모델링하는 점이 흥미로웠습니다. 다만, 논문에서 다양한 Distortion Type이 존재함에도 비교적 간단한 세 가지 방법만 적용한 것이 다소 아쉬웠습니다. 하지만, 복잡한 Task별 조정 없이도 높은 성능을 유지하는 점에서 향후 발전 가능성이 큰 연구라고 생각합니다. 흥미로운 주제로 좋은 발표해 주셔서 감사합니다.

이번 세미나에서는 GeneralAD: Anomaly Detection Across Domains by Attending to Distorted Features와 관련된 방법론을 제시한 논문을 중심으로 진행되었습니다. 기존 이상 탐지 모델들은 특정 도메인에 최적화되어 일반화 성능이 부족한 문제가 있었으며, 본 연구는 Semantic, Near-Distribution, Industrial 환경에서 모두 활용 가능한 GeneralAD 프레임워크를 제안합니다. GeneralAD는 Self-supervised Anomaly Feature Generation(SAG) 모듈을 활용하여 pseudo-abnormal sample을 생성하고, 이를 Attention 기반 Discriminator에 입력하여 이미지 내 모든 패치의 이상 여부를 학습합니다. 이를 통해 기존 모델들이 특정 도메인에 과적합되는 문제를 해결하고, 해석 가능한 Anomaly Map을 생성하여 이상 탐지의 신뢰성을 높였습니다. 실험 결과, 10개의 다양한 이상 탐지 데이터셋에서 일관된 성능 향상을 기록했으며, 특히 Semantic 및 Near-Distribution Benchmark에서 기존 SOTA 모델보다 우수한 성능을 보였습니다. 다만, 일부 Industrial Benchmark에서는 성능 편차가 발생했으며, 이상 탐지 평가 방식에서 AUROC 중심의 결과 보고가 한계로 지적될 수 있었습니다. 발표를 통해 이상 탐지 모델의 일반화 성능을 높이기 위한 새로운 접근법을 확인할 수 있었습니다.

금일 세미나는 Image AD 분야에서 매우 다양한 세팅에 모두 대응이 가능한 AD 프레임워크인 GeneralAD를 제안한 " GeneralAD: Anomaly Detection Across Domains by Attending to Distorted Features"을 중심으로 진행되었습니다. 그동안 연구실에서 많이 다루어졌던 AD 방법론은 industrial domain의 단일 클래스나 복수 클래스 데이터를 이용하는 가정을 가지고 있었습니다. 하지만 본 논문에서는 학습 시 사용되지 않은 정보를 기준으로 semanic/near-distribution/industrial 세가지 anomaly가 존재함을 가정하고, 이 모두에 대해 높은 성능을 달성한느 것이 중요하다고 주장하고 있습니다. 이러한 주장을 기반으로 본 연구에서는 ViT 모델을 backbone으로 하여 feature의 distortion을 예측하는 Discriminator 구조를 차용하게 됩니다. 이를 통해 semantic/patch level의 anomaly를 모두 반영할 수 있게 되는 특징이 있습니다. 실제로 industrial AD 분야에서도 logical anomaly와 semantic anomaly 등의 차이가 다수 존재하는 것으로 알고 있는데, 이와 비슷한 관점을 확장한 것으로 보였습니다. industrial AD 분야로 한정하더라도 해당 논문이 높은 성능을 보이는 것을 알 수 있고, 특히나 patch core나 simplenet과 같은 Industrial AD 중심의 연구와 비슷하거나 더 높은 성능을 도달한 것이 인상적이었습니다. 향후에도 industrial에서 확장된 application을 고려한 AD 연구들이 진행될 수 있을 것으로 보여 흥미로웠습니다. 좋은 발표 감사합니다.

이번 세미나는 GeneralAD: Anomaly Detection Across Domains by Attending to Distorted Features라는 논문을 중심으로 진행되었습니다. 이 연구는 다양한 도메인에서의 이상 탐지를 위한 GeneralAD 프레임워크를 제안하며, 기존의 도메인에 특화된 모델들의 한계를 극복하고자 했습니다. 특히, GeneralAD는 Self-supervised Anomaly Feature Generation(SAG) 모듈을 통해 pseudo-abnormal 샘플을 생성하고, 이를 Transformer 기반 Discriminator로 학습하여 패치 단위에서 이상을 효과적으로 탐지합니다. Semantic, Near-Distribution, Industrial 환경을 모두 아우를 수 있어 범용성에서 강점을 보였으며, 기존 모델들과 비교해 뛰어난 성능을 보여주었습니다. 특히, 이상치 탐지에서 패치 간 의미론적 상관관계를 추론하고, Global Semantic Shift를 잘 탐지하는 점이 인상적이었습니다. 다만, 다양한 Distortion Type을 다루지 않고 세 가지 방법만 적용한 점은 아쉬움이 남습니다. 그럼에도 불구하고, 복잡한 튜닝 없이 높은 성능을 유지하는 이 모델은 향후 많은 가능성을 보여주는 연구라고 할 수 있겠습니다.

이번 세미나에서는 GeneralAD: Anomaly Detection Across Domains by Attending to Distorted Features 논문을 소개해주셨습니다. 본 연구는 사전 학습된 ViT(DINOv2) Feature Extractor와 Self-supervised Anomaly Feature Generation(SAG) 모듈을 활용하여 pseudo-abnormal 샘플을 생성하고, Transformer 기반 Discriminator를 통해 이미지의 각 패치에서 이상치를 탐지하는 새로운 프레임워크를 제시하였습니다. Semantic, Near-Distribution, Industrial 등 다양한 환경에서 기존 모델들이 특정 도메인에 과적합되는 문제를 극복하고, 패치 간 의미론적 상관관계를 추론하여 Global Semantic Shift를 효과적으로 포착한 점이 인상적이었습니다. 또한, Attention value가 높은 패치에 다양한 방식의 노이즈를 추가하거나 섞음으로써 미묘한 구조적 및 논리적 이상치를 모델링하는 접근법은 해석 가능한 Anomaly Map 생성에 기여하였으며, 10여 개의 데이터셋에서 일관된 성능 향상을 달성한 점이 주목되었습니다. 다만, 다양한 Distortion Type에도 불구하고 상대적으로 간단한 세 가지 방법만 적용한 점과 일부 Industrial Benchmark에서의 성능 편차는 향후 개선이 필요한 부분으로 보입니다. 좋은 발표 감사합니다.

이번 세미나에서는 GeneralAD: Anomaly Detection Across Domains by Attending to Distorted Features 논문을 중심으로 다양한 도메인에서 활용 가능한 이상 탐지 방법론을 다루었습니다. 기존 이상 탐지 모델들이 특정 도메인에 과적합되는 문제를 해결하기 위해, GeneralAD는 Self-supervised Anomaly Feature Generation(SAG) 모듈을 활용하여 pseudo-abnormal 샘플을 생성하고, Transformer 기반 Discriminator를 통해 패치 단위에서 이상 여부를 학습하는 접근 방식을 제안하였습니다. 특히, Semantic, Near-Distribution, Industrial 환경 모두에서 일관된 성능을 보였으며, 패치 간 의미론적 상관관계를 활용하여 Global Semantic Shift를 효과적으로 탐지하는 점이 인상적이었습니다. 또한, Attention value가 높은 패치에 선택적으로 노이즈를 추가하여 보다 정교한 이상 탐지를 가능하게 했다는 점도 흥미로웠습니다. 다만, 다양한 Distortion Type이 존재함에도 불구하고 일부 방법만 적용한 점은 아쉬운 부분이었으며, 특정 Industrial Benchmark에서의 성능 편차는 향후 연구에서 보완될 수 있을 것으로 기대됩니다. 전반적으로 다양한 환경에서 적용 가능한 범용적 AD 프레임워크를 제안한 연구로서, 향후 확장 가능성이 높다고 생각됩니다. 좋은 발표 감사합니다!

이번 세미나에서는 "GeneralAD: Anomaly Detection Across Domains by Attending to Distorted Features" 논문이 발표되었습니다. 본 연구는 Semantic, Near-Distribution, Industrial 환경에서 범용적으로 적용 가능한 이상 탐지 모델을 제안합니다. Self-supervised Anomaly Feature Generation(SAG) 모듈을 활용해 pseudo-abnormal 샘플을 생성하고, Transformer 기반 Discriminator를 통해 패치 단위로 이상 탐지를 수행하는 방식이 특징적이었습니다. 특히, Attention value를 활용해 선택적으로 노이즈를 추가함으로써 정교한 이상 탐지가 가능하며, 다양한 벤치마크에서 기존 모델보다 우수한 성능을 보였습니다. 다만, Distortion 방법이 제한적인 점은 아쉬웠지만, 도메인 일반화 측면에서 의미 있는 연구라고 생각됩니다. 좋은 발표 감사합니다!

이번 세미나에서는 "GeneralAD: Anomaly Detection Across Domains by Attending to Distorted Features"라는 논문에 대한 소개를 중심으로 진행되었습니다. 이 논문은 다양한 도메인에서 이상치 탐지를 위한 새로운 방법론인 GeneralAD를 제안합니다. GeneralAD는 사전 학습된 ViT(DINOv2) Feature Extractor와 Self-supervised Anomaly Feature Generation 모듈을 사용하여 pseudo-abnormal 샘플을 생성합니다. 이 모델은 Transformer 기반 Discriminator를 통해 패치 단위의 이상 탐지를 수행하며, 다양한 도메인에서 일관된 성능을 보입니다. GeneralAD는 Semantic, Near-Distribution, Industrial 데이터셋에서 강력한 성능을 보여주며, AD 환경에 상관없이 높은 성능을 유지하는 것으로 나타났습니다. 또한, 이 방법론은 Transformer 기반 Discriminator를 통해 패치 간의 의미론적 상관관계를 추론하고 Global Semantic Shift를 효과적으로 탐지함으로써 기존 Self-supervised AD 모델들과 차별화됩니다. GeneralAD는 Industrial 분야를 넘어 조금 더 일반적인 분야를 확장시켜 범용성을 높였다는 점이 인상 깊었습니다. 좋은 발표 준비해주셔서 감사합니다.

이번 세미나에서는 “GeneralAD: Anomaly Detection Across Domains by Attending to Distorted Features” 논문이 소개되었습니다. 기존 이상 탐지 모델들이 특정 도메인에 최적화되어 일반화 성능이 부족한 문제를 해결하기 위해, 본 연구는 Semantic, Near-Distribution, Industrial 환경에서 모두 활용 가능한 GeneralAD 프레임워크를 제안합니다. GeneralAD는 Self-supervised Anomaly Feature Generation(SAG) 모듈을 통해 pseudo-abnormal 샘플을 생성하고, Transformer 기반 Discriminator를 활용하여 이미지 내 모든 패치의 이상 여부를 학습하는 방식입니다. 특히 패치 간 의미론적 상관관계를 추론하여 Global Semantic Shift를 효과적으로 탐지하는 점이 기존 모델들과 차별화되었으며, Near-Distribution AD에서 강한 성능을 보였습니다. 실험 결과, 10개의 다양한 이상 탐지 데이터셋에서 일관된 성능 향상을 기록하며, 특히 PatchCore, SimpleNet과 같은 기존 Industrial AD 모델과 비교해도 우수한 성능을 입증하였습니다. 다만, Distortion Type이 제한적이라는 점과 AUROC 중심의 평가 방식이 모델의 실질적인 성능을 완전히 반영하기 어렵다는 점이 한계로 지적될 수 있습니다. 향후 Industrial AD뿐만 아니라 다양한 도메인에서 활용될 가능성이 높은 연구라고 생각되며, 좋은 발표 감사합니다!