Self Supervised Learning 방식의 Few Shot Anomaly Detection 방법론을 설명합니다. 다양한 Scale과 Transformation을 Patch 단위로 맞추도록 학습합니다. 그 결과 Few Shot Anomaly Detection에서 좋은 성능을 보입니다.
Self Supervised Learning과 단순한 Classifier를 결합한 Anomaly Detection 방법을 설명합니다. 기존 Contrastive Learning을 Anomaly Detection에 맞게 변형한 Distribution Augmentation Contrastive Learning 방법을 제안합니다.
입력 이미지에 대해 Rotation / Horizontal Translation / Vertical Translation을 가해줍니다. 그리고 각 Transformation 종류를 맞추도록 학습합니다. 이렇게 학습한 모델을 사용하여 Anomaly Detection을 수행합니다. 실험 결과를 통해 기존 방법보다 성능이 우수함을 보입니다.
Reconstruction 방식의 Anomaly Detection 방법인 MetaFormer를 설명합니다. MetaFormer는 MSRA 10K 등 다양한 외부 데이터를 바탕으로 General 하고 Instance Aware 한 Reconstruction 모델을 추구합니다.
Normalizing Flow 모델이 왜 Anomaly Detection에 실패하는지 원인을 분석합니다. 이를 해결하기 위한 세가지 해결 방안을 제안합니다. 실험 결과를 통해 제안 방법의 적절함을 증명합니다.
Student Teacher AD 논문의 핵심 내용을 리뷰합니다. 먼저 기존 방법의 문제점을 살펴봅니다. 이어서 이를 해결하기 위한 제안 방법을 살펴봅니다. 마지막으로 성능 비교 실험을 통해 Student Teacher AD의 효과를 확인합니다.
Uninformed Students 논문의 핵심 내용을 리뷰합니다. 먼저 기존 방법의 문제점을 살펴봅니다. 이어서 이를 해결하기 위한 제안 방법을 살펴봅니다. 마지막으로 성능 비교 실험을 통해 Uninformed Students의 효과를 확인합니다.
Reverse Distillation AD 논문의 핵심 내용을 리뷰합니다. 먼저 기존 방법의 문제점을 살펴봅니다. 이어서 이를 해결하기 위한 제안 방법을 살펴봅니다. 마지막으로 성능 비교 실험을 통해 제안 방법의 효과를 확인합니다.
Multiresolution Knowledge Distillation AD 논문의 핵심 내용을 리뷰합니다. 먼저 기존 방법의 문제점을 살펴봅니다. 이어서 이를 해결하기 위한 제안 방법을 살펴봅니다. 마지막으로 성능 비교 실험을 통해 효과를 확인합니다.
DRAEM 논문의 핵심 내용을 리뷰합니다. 먼저 기존 방법의 문제점을 살펴봅니다. 이어서 이를 해결하기 위한 DRAEM의 제안 방법을 살펴봅니다. 마지막으로 성능 비교 실험을 통해 DRAEM의 효과를 확인합니다.
