최근 다양한 산업 분야에서 이미지 데이터를 활용한 이상치 탐지의 중요성이 점점 더 부각되고 있다. 전통적인 이미지 이상치 탐지 기법은 정상 이미지들로부터 분포를 학습한 뒤, 해당 분포로부터 벗어난 이미지를 이상치로 간주하는 방식이 주를 이루었다. 그러나 실제 환경에서는 정상으로 명확히 레이블링된 이미지를 대규모로 확보하기 어렵고, 경우에 따라서는 학습 데이터 자체를 수집하기 어려운 상황도 존재한다. 이러한 한계를 극복하기 위해 최근에는 Unsupervised, Few-shot, Zero-shot 기반의 이미지 이상치 탐지 기법들이 활발히 연구되고 있다. 본 세미나에서는 이러한 이미지 이상치 탐지 기법들의 동향과 특징에 대해 소개하고자 한다.

참고자료:

[1] Roth, K., Pemula, L., Zepeda, J., Schölkopf, B., Brox, T., & Gehler, P. (2022). Towards total recall in industrial anomaly detection. In Proceedings of the IEEE/CVF conference on computer vision and pattern recognition (pp. 14318-14328).

[2] Fang, Z., Wang, X., Li, H., Liu, J., Hu, Q., & Xiao, J. (2023). Fastrecon: Few-shot industrial anomaly detection via fast feature reconstruction. In Proceedings of the IEEE/CVF International Conference on Computer Vision (pp. 17481-17490).

[3] Zhou, Q., Pang, G., Tian, Y., He, S., & Chen, J. (2024). AnomalyCLIP: Object-agnostic Prompt Learning for Zero-shot Anomaly Detection. In The Twelfth International Conference on Learning Representations.