LG AI Research 555

기존의 Out-of-Distribution (OOD) Detection은 학습 시 보지 못한 데이터를 감지하는 것이 핵심이다. 기존의 Outlier Exposure 기법은 외부 샘플 수집 비용이 발생하고, 학습 데이터와 유사한 Near-OOD를 구분하는 데 한계가 있었다.

LG AI연구원이 제안한 **SONA (Semantic Outlier Generation via Nuisance Awareness)**는 Diffusion 모델을 활용해 ID 이미지를 직접 사용하여 정교한 Outlier를 생성하는 프레임워크다. 이 방식은 이미지의 Semantic(의미적) 정보와 **Nuisance(불필요한 정보)**를 구분하여 효과적인 Outlier 합성을 가능하게 한다.

SONA의 핵심 프로세스는 다음과 같다:

• Masking: Conditional-Unconditional Noise Estimation 차이를 이용해 Semantic 영역과 Nuisance 영역을 구분하여 마스킹한다.
• Guidance: 기존 Semantic 정보는 제거하되 Nuisance는 유지하며, 새로운 Random OOD Semantic을 기존 ID Semantic과 혼합한다.
• Loss Optimization: ID 분류, OOD 구분, 그리고 Semantic 정보 간의 Mutual Information을 최소화하는 세 가지 Loss Term을 통해 모델이 의미적 차이에 집중하도록 학습시킨다.

이러한 접근을 통해 SONA는 기존 Diffusion 기반 생성 방식의 불안정성을 해결하고, Near-OOD부터 Far-OOD까지 폭넓은 범위를 정확하게 탐지할 수 있다.