Reconstruction based의 새로운 Anomaly detection 방법론을 제안합니다. 입력 이미지를 다양한 사이즈로 나누어 재조립하는 과정을 통해 Reconstruction을 학습합니다. Memory를 구성하여 Normal Pattern을 기억하며 사용합니다.
Reconstruction 방식의 Anomaly Detection 방법인 MetaFormer를 설명합니다. MetaFormer는 MSRA 10K 등 다양한 외부 데이터를 바탕으로 General 하고 Instance Aware 한 Reconstruction 모델을 추구합니다.
기존 Anomaly Detection 방법에 삽입할 수 있는 Reconstruction Block을 소개합니다. Reconstruction 기능을 구현하기 위해 Masked Convolution과 Channel Attention Module을 사용합니다.
이번 글에서는 Pretrained Feature Matching 방식의 Anomaly Detection 방법을 소개합니다. 먼저 Pretrained Feature Matching 방식의 큰 그림을 살펴보고요. 대표적인 주요 방법들에 대해 하나씩 간략하게 살펴보겠습니다.
SPADE 논문의 핵심 내용을 리뷰합니다. 먼저 기존 방법의 문제점을 살펴봅니다. 이어서 이를 해결하기 위한 SPADE의 제안 방법을 살펴봅니다. 마지막으로 성능 비교 실험을 통해 SPADE의 효과를 확인합니다.
Mahalanobis AD 논문의 핵심 내용을 리뷰합니다. 먼저 기존 방법의 문제점을 살펴봅니다. 이어서 이를 해결하기 위한 제안 방법을 살펴봅니다. 마지막으로 성능 비교 실험을 통해 Mahalanobis AD의 효과를 확인합니다.
PaDim 논문의 핵심 내용을 리뷰합니다. 먼저 기존 방법의 문제점을 살펴봅니다. 이어서 이를 해결하기 위한 PaDim의 제안 방법을 살펴봅니다. 마지막으로 성능 비교 실험을 통해 PaDim의 효과를 확인합니다.
PatchCore 논문의 핵심 내용을 리뷰합니다. 먼저 기존 방법의 문제점을 살펴봅니다. 이어서 이를 해결하기 위한 PatchCore의 제안 방법을 살펴봅니다. 마지막으로 성능 비교 실험을 통해 PatchCore의 효과를 확인합니다.
이번 글에서는 Normalizing Flow 방식의 Anomaly Detection 방법을 소개합니다. 먼저 Normalizing Flow 방식의 큰 그림을 설명하고요. 이를 사용한 대표적인 방법들을 하나씩 간략하게 살펴보겠습니다.
Normalizing Flow 모델이 왜 Anomaly Detection에 실패하는지 원인을 분석합니다. 이를 해결하기 위한 세가지 해결 방안을 제안합니다. 실험 결과를 통해 제안 방법의 적절함을 증명합니다.
