LG AI Research: Nuisance Awareness를 통한 확산 모델 기반의 의미론적 이상치 생성 연구

많은 산업 분야에서 직면한 과제 중 하나는 학습 과정에서 접하지 못한 OOD(Out-of-Distribution, 분포 외) 데이터를 정확히 탐지하는 것이다. 기존의 Outlier Exposure 방식은 외부 샘플 수집 비용이 높고, ID(In-Distribution)와 유사한 Near-OOD를 구분하는 데 한계가 있었다.

LG AI Research의 DI(Data Intelligence) Lab이 제안한 **SONA(Semantic Outlier generation via Nuisance Awareness)**는 확산 모델(Diffusion Model)을 사용하여 ID 이미지를 직접 활용하는 새로운 프레임워크다. SONA는 이미지의 의미론적(Semantic) 요소와 불필요한 요소(Nuisance)를 구분하여 정교한 이상치를 생성한다.

SONA의 핵심 프로세스는 다음과 같다:

• Nuisance Awareness: 조건부와 무조건부 노이즈 추정값의 차이를 이용해 이미지의 의미론적 부분과 Nuisance 부분을 마스킹한다.
• Outlier Synthesis: 기존의 의미론적 정보를 제거하되 Nuisance 정보는 최대한 보존하며, 새로운 OOD 의미론적 요소를 선택해 기존 ID와 혼합한다.
• OOD Classifier Training: 새로운 손실 함수(Loss term)를 도입하여 모델이 ID와 OOD 간의 의미론적 차이에 집중하도록 학습시킨다.

이 방식은 기존 확산 모델 기반 연구들이 겪었던 생성 샘플의 품질 불안정성 문제를 해결하고, Near-OOD부터 Far-OOD까지 폭넓은 범위의 이상치를 효과적으로 탐지할 수 있게 한다.