Projection Regret: Diffusion 모델을 통한 배경 편향 감소 및 신규성 탐지 연구
LG AI Research가 Diffusion 모델을 활용해 배경 정보의 간섭을 줄이고 신규성 탐지 성능을 높이는 Projection Regret 기술을 제안했다.
제조 공정 등에서 발생하는 데이터 불균형 문제를 해결하기 위해, 정상 데이터만을 학습하여 이상치를 찾아내는 신규성 탐지(Novelty Detection) 기술이 중요하다. 기존의 생성 모델 기반 방식은 정상 데이터와 배경이 유사한 이상치를 제대로 구분하지 못하거나, 배경 정보에 과적합(Texture Overfitting)되는 한계가 있었다.
LG AI Research는 이를 해결하기 위해 Consistency Model을 활용한 Projection Regret 방법론을 제안했다. 이 방식은 이상 데이터를 적절한 타임스텝에서 확산(Forward Diffusion)시킨 후 다시 복원(Reverse Diffusion)하는 과정을 거친다. 이때 배경은 유지되면서 의미론적(Semantic) 정보만 정상 데이터에 맞게 수정되는 특성을 이용한다.
단순히 LPIPS를 통한 의미적 거리만을 측정하면 배경 정보가 섞일 수 있으므로, 추가적인 편집 과정을 거친 이미지와 배경 정보를 포함한 변환 이미지 사이의 거리 차이를 계산하는 새로운 메트릭을 설계했다. 이를 통해 배경 편향을 줄이고 이상치 탐지 성능을 효과적으로 개선할 수 있음을 입증했다.
이 요약은 원문 이해를 돕기 위한 큐레이션입니다. 저작권은 원저작자에게 있으며, 정확한 내용과 맥락은 원문을 확인하세요.
요약 오류, 출처 표기 문제, 삭제 요청은 문의 · 건의로 알려주세요.