URA-Net：教師なし異常検出のための、不確実性統合型異常認識・修復アテンションネットワーク

Abstract

無教師の異常検知は、産業における欠陥検査や医用画像解析において重要な役割を担っており、ほとんどの手法が再構成フレームワークに依存しています。しかし、これらの手法は過度な一般化により、異常を十分に再構成できてしまうことがあり、その結果として検知性能が低下します。この問題に対処するため、本研究では正常性の再構成だけに着目するのではなく、異常を対応する正常性へと明示的に復元する、革新的な不確実性統合型異常知覚・復元アテンションネットワーク（URA-Net）を提案します。まず、従来の画像再構成手法とは異なり、事前学習済みの畳み込みニューラルネットワークを用いて、多層の意味特徴を再構成対象として抽出します。次に、URA-Netが異常を復元する学習を助けるために、訓練用の異常サンプルを生成する新しい特徴レベルの人工異常合成モジュールを導入します。その後、ベイズニューラルネットワークに基づく新しい不確実性統合型異常知覚モジュールを導入し、異常特徴と正常特徴の分布を学習します。これにより、異常領域および曖昧な境界の推定が可能になり、続く異常復元の基盤が形成されます。さらに、検出された異常領域を、グローバルな正常意味情報を活用する新しい復元アテンション機構によって復元し、その結果として欠陥のない復元特徴を得ます。最後に、入力特徴と復元特徴の間の残差マップを用いて、異常検知と局在化を行います。2つの産業データセット、MVTec AD と BTAD、ならびに医用画像データセット OCT-2017 に対する包括的な実験結果は、提案手法の有効性と優位性を明確に示しています。