[논문] 시각 프롬프트와 이중 교사 감독을 활용한 특징 재구성 기반 이상 탐지

출처: arXiv - 2606.09670v1

개요

최근 이상 탐지 방법들은 MVTec과 같은 잘 확립된 데이터셋에서 완벽한 탐지 및 분할 점수를 달성하고 있습니다. 그러나 이러한 방법들 중 다수는 객체 크기, 시점, 배경, 조명, 중앙 배치와 같은 기본 가정이 깨질 때 어려움을 겪습니다. 이러한 변동이 발생하면 이상 탐지 방법을 실제 환경에서 사용하기 어렵게 됩니다. 이러한 한계를 극복하기 위해 우리는 세 가지 핵심 기여를 제시합니다: (1) 전경‑배경 마스킹을 이용해 객체를 분리하는 시각적 프롬핑 파이프라인; (2) 학생‑교사 모델에서 교사를 언프리징하여 도메인 적응성을 향상시키는 메커니즘; (3) 확산 모델로 생성한 합성 이미지를 활용한 데이터 증강 전략으로 이상 탐지 성능을 강화합니다. 우리는 마스크된 다중 스케일 재구성(MMR) 모델을 백본으로 사용하여 도전적인 AeBAD 데이터셋에서 기존 최첨단보다 3.5%p 향상된 성능을 달성했습니다.

주요 기여

본 논문은 다음 분야의 연구를 다룹니다:

• cs.CV
• cs.AI

방법론

자세한 방법론은 전체 논문을 참고하십시오.

실용적 함의

이 연구는 cs.CV 분야의 발전에 기여합니다.

저자

• Mateo Diaz-Bone
• Daniel Caraballo
• Florian Scheidegger
• Thomas Frick
• Mattia Rigotti
• Andrea Bartezzaghi
• Roy Assaf
• Niccolo Avogaro
• Yagmur G. Cinar
• Brown Ebouky
• Filip M. Janicki
• Piotr S. Kluska
• Cezary Skura
• Cristiano Malossi

논문 정보

• arXiv ID: 2606.09670v1
• 분류: cs.CV, cs.AI
• 발표일: 2026년 6월 8일
• PDF: PDF 다운로드