SSIM 기반 손실 함수 도입을 통한 구조적 이상 탐지 성능 개선|RISS 상세보기

국문 초록 (Abstract)

컴퓨터 비전 분야에서 이상 탐지 기술은 산업 결함 탐지, 의료 분야 등 다양한 분야에 적용되고 있다. 복원 기반 이상 탐지 기법 중 하나인 Inpainting 기법은 이미지 내에 일부 영역을 무작위로 마스킹한 후, 주변의 정상 정보를 활용해 해당 영역을 정상처럼 복원하는 방식이다. Adaptive Mask Inpainting Network(AMI-Net)는 이러한 기법을 이용한 대표적인 모델이다. 하지만 AMI-Net은 세밀한 구조적 특징까지 충분히 반영하지 못하는 한계를 보인다. 이 문제를 완화하기 위해 AMI-Net의 손실 함수에 Structural Similarity Index Measure(SSIM) 손실을 추가 했다. 그 결과 MVTec LOCO의 Structural 데이터셋에서 기존보다 개선된 성능을 달성하였다.

번역하기

컴퓨터 비전 분야에서 이상 탐지 기술은 산업 결함 탐지, 의료 분야 등 다양한 분야에 적용되고 있다. 복원 기반 이상 탐지 기법 중 하나인 Inpainting 기법은 이미지 내에 일부 영역을 무작위로...

다국어 초록 (Multilingual Abstract)

Anomaly detection technology in the field of computer vision is being applied to various areas such as industrial defect detection and the medical field. Among reconstruction-based anomaly detection techniques, the inpainting technique masks part of the image randomly and restores the masked region using surrounding normal information. Adaptive Mask Inpainting Network (AMI-Net) is a representative model that uses this technique. However, AMI-Net has a limitation in adequately capturing fine structural features. To alleviate this issue, we added a Structural Similarity Index Measure (SSIM) loss to the loss function of AMI-Net. As a result, improved performance was achieved compared to the original model on the structural dataset of MVTec LOCO.

번역하기