패치플로우: 패치 특징을 활용한 흐름 기반 모델

초록

패치플로우는 사전학습된 CNN 백본에서 추출한 다중계층 특징을 패치 단위로 결합하고, 경량 어댑터를 통해 산업 현장 이미지와의 분포 차이를 보정한 뒤, 정규화 흐름(NF)으로 확률 밀도를 모델링한다. 이를 통해 MVTec AD와 VisA 데이터셋에서 이미지‑레벨 AUROC 99.28%·96.48%를 달성했으며, 자체 다이캐스팅 데이터에서도 95.77% 정확도를 기록했다.

상세 분석

본 논문은 기존의 임베딩‑기반 이상 탐지 모델이 메모리 뱅크 혹은 복잡한 흐름 구조로 인한 연산 비용이 높다는 한계를 지적하고, 이를 해결하기 위한 네 가지 핵심 설계를 제시한다. 첫째, 다중 계층(feature hierarchy)에서 추출한 특징을 패치 단위로 지역 이웃을 고려해 집계함으로써, 전통적인 전역 특징보다 세밀한 결함 정보를 보존한다. 패치 크기 ∫ 를 가변적으로 설정하고, 각 위치 (h,w) 의 이웃 N(h,w)∫ 을 Agg 함수를 통해 평균 혹은 최대 풀링 형태로 결합한다는 점이 핵심이다. 둘째, 사전학습된 백본(예: ResNet‑50, EfficientNet)과 산업 현장 이미지 간의 도메인 격차를 완화하기 위해 단일 Fully‑Connected 레이어와 배치 정규화를 포함한 경량 어댑터(A)를 도입한다. 이 어댑터는 차원 축소와 동시에 특징 분포를 표준 정규분포에 가깝게 변환시켜, 이후 흐름 모델의 학습 안정성을 크게 높인다. 셋째, 정규화 흐름(NF)에서는 기존 Real‑NVP의 Coupling Block 구조에 bottleneck 설계를 적용해 파라미터 수와 FLOPs를 감소시켰다. 구체적으로, 입력 특징을 먼저 저차원 bottleneck으로 압축한 뒤, 스케일·시프트 변환을 수행하고 다시 복원하는 방식으로, 표현력은 유지하면서 연산 효율을 개선한다. 넷째, 이미지‑레벨 이상 점수는 패치‑레벨 로그‑우도(Likelihood)의 평균값으로 정의하고, 픽셀‑레벨 마스크는 역변환된 로그‑우도 맵을 정규화해 히트맵 형태로 시각화한다. 이러한 설계는 비지도 학습(정상 데이터만 사용) 환경에서도 높은 탐지 성능을 가능하게 한다. 실험 결과, MVTec AD에서 기존 PatchCore 대비 오류율을 20 % 감소시켰으며, VisA에서는 28.2 % 감소를 기록했다. 특히, 제안 모델은 99.28 % AUROC(이미지‑레벨)와 96.48 % AUROC를 달성해 현재 최고 수준을 넘어섰다. 자체 다이캐스팅 데이터셋에 적용했을 때는 95.77 % 정확도를 보이며, 결함 종류(블리스터, 피어링, 핏 등)와 무관하게 일반화 능력이 검증되었다. 전체 파이프라인은 사전학습 백본 고정, 어댑터 학습, 흐름 모델 학습 순으로 3단계로 구성돼, 전체 학습 시간과 메모리 사용량이 기존 NF 기반 모델보다 현저히 낮다. 논문은 또한 흐름 기반 모델이 확률 밀도 추정에 기반하므로, 임계값 설정이 직관적이며, 결함 위치 추정이 가능하다는 장점을 강조한다. 다만, 패치 크기와 어댑터 차원 선택이 데이터셋마다 민감하게 작용할 수 있어, 하이퍼파라미터 튜닝이 필요함을 언급한다. 전반적으로, PatchFlow는 지역적 패치 특징과 정규화 흐름을 효과적으로 결합해, 고성능·고효율의 비지도 이상 탐지 프레임워크를 제시한다.