LG AI Research 490

제조업 등 데이터가 한정된 분야에서는 정상 데이터만으로 불량을 탐지하는 것이 매우 어렵습니다. 기존의 Generative Model 기반 이상 탐지 기법들은 이미지의 복잡도나 배경 정보에 과적합(Texture Overfitting)되어, 정상 데이터와 배경이 유사한 비정상 데이터를 제대로 식별하지 못하는 한계가 있었습니다.

LG AI 연구원은 이를 해결하기 위해 Consistency Model을 이용한 Projection Regret 연구를 제안했습니다. 이 방식은 이미지를 Diffusion 과정으로 편집할 때, 배경은 유지하면서 의미(Semantic) 정보만 정상 데이터로 복구하는 특성을 이용합니다.

구체적인 핵심 메커니즘은 다음과 같습니다.

• Semantic Distance 활용: 원본 이미지와 Diffusion 기반 편집 이미지 간의 차이를 측정합니다.
• LPIPS Metric 개선: 단순한 LPIPS 대신, 배경 정보가 차지하는 비중을 제거하기 위해 추가적인 Editing을 거친 뒤 두 Distance Output의 차이를 최종 Metric으로 사용합니다.

이 기술은 다양한 이미지 도메인에서 기존의 Diffusion 기반 알고리즘 및 Unsupervised 기반 기법들보다 뛰어난 성능을 입증했습니다.

또한, 본 글에서는 Diffusion 모델의 성능을 높이는 추가 연구들도 소개합니다.

• Google DeepMind 연구: Diffusion 모델의 Training Loss를 합칠 때 최적의 Weighting 설정을 설계하여 ImageNet 데이터셋에서 성능 향상을 이끌어냈습니다.
• Zero-Shot Classifier: Text-to-Image Diffusion 모델이 분류기 역할을 할 수 있다는 연구를 다룹니다.