정규화 흐름과 대조 학습을 결합한 이상 세분화 혁신

초록

FlowCLAS는 사전 학습된 비전 백본에서 추출한 특징을 정규화 흐름(NF)으로 밀도 추정하고, 외부 이상 데이터와 대조 학습을 결합한 하이브리드 손실을 사용한다. 최대우도 손실로 정상 데이터의 잠재 분포를 Gaussian으로 모델링하고, 대조 손실로 정상·이상 특징을 잠재 공간에서 명확히 구분한다. 이를 통해 동적 장면에서도 기존 NF 기반 방법보다 뛰어난 이상 객체 세분화 성능을 달성했으며, Fishyscapes Lost & Found, Road Anomaly, SegmentMeIfYouCan‑ObstacleTrack, ALLO 등 네 가지 로봇 공학 벤치마크에서 새로운 SOTA를 기록하였다.

상세 분석

FlowCLAS는 기존 정규화 흐름(NF) 기반 이상 탐지의 근본적인 한계를 정확히 짚어낸다. NF는 입력을 가역적인 변환을 통해 잠재 공간으로 매핑하고, 여기서 다변량 정규분포를 가정해 로그우도(maximum likelihood)를 최적화한다. 그러나 복잡하고 다중모드적인 실제 로봇 환경에서는 “정상” 데이터 자체가 광범위한 변동성을 갖기 때문에, 단순히 로그우도만 최적화하면 모델이 저수준 픽셀 통계에 과도하게 집중하고 고수준 의미론적 구분을 놓친다. 이 문제를 해결하기 위해 저자들은 두 가지 핵심 아이디어를 도입한다. 첫째, 외부 데이터셋(예: COCO)에서 추출한 객체를 원본 이미지에 임의로 삽입해 “가짜 이상”(pseudo‑anomaly) 샘플을 만든다. 이는 Outlier Exposure(OE)와 동일한 맥락이지만, 여기서는 단순히 이상 객체를 삽입하는 데 그치지 않고, 삽입된 영역의 마스크를 이용해 정상·이상 픽셀을 명시적으로 구분한다. 둘째, 이러한 정상·이상 샘플을 이용해 대조 학습(InfoNCE 기반)을 수행한다. 구체적으로, 정규화 흐름이 생성한 잠재 맵 z를 1×1 컨볼루션과 L2 정규화로 저차원 투사(projection)한 뒤, 동일 클래스(정상‑정상 또는 이상‑이상) 간의 유사성을 최대화하고, 서로 다른 클래스 간의 거리를 최대화하도록 손실을 설계한다. 이때 대조 손실 L_con은 앵커‑양성‑음성 삼중항을 모두 포함하는 배치‑레벨 샘플링 전략을 사용해 효율적인 학습을 가능하게 한다.

하이브리드 손실 L = L_ml + λ·L_con (λ는 가중치) 은 두 목표를 동시에 만족시킨다. L_ml은 정상 영역의 잠재 벡터가 기본 Gaussian(μ, Σ) 에 가깝게 만들면서 전체 로그우도를 높이고, L_con은 이상 영역을 잠재 공간에서 명확히 분리시켜 로그우도만으로는 구분이 어려운 경우에도 높은 이상 점수를 부여한다. 이러한 설계는 NF가 “고정된” 확률 모델에 머무르지 않고, 데이터‑구조적인 구분 능력을 갖춘 판별 모델로 변모하도록 만든다.

실험 결과는 설계의 타당성을 충분히 입증한다. Fishyscapes Lost & Found, Road Anomaly, SegmentMeIfYouCan‑ObstacleTrack, ALLO 네 가지 데이터셋에서 기존 NF 기반 방법(FastFlow, Pyramid‑Flow 등)보다 평균 4~7%p 이상의 AP(average precision) 향상을 보였으며, 특히 경쟁적인 판별 기반 SOTA(UNO, RPL 등)와도 근소하게 차이를 좁혔다. Ablation study에서는 대조 손실을 제외하거나, 단순히 OE만 적용했을 때 성능이 급격히 떨어지는 것을 확인해 L_con의 중요성을 강조한다. 또한, 대조 학습이 저수준 픽셀 패턴이 아닌 고수준 의미론적 특징을 학습하도록 유도한다는 분석을 통해, NF가 복잡한 동적 장면에서도 의미론적 일관성을 유지할 수 있음을 보여준다.

이 논문은 정규화 흐름과 대조 학습을 결합함으로써, 확률적 해석 가능성을 유지하면서도 판별 성능을 크게 향상시키는 새로운 패러다임을 제시한다. 특히 로봇 공학에서 안전성을 요구하는 자율주행·우주 로봇 등 동적 환경에 적용 가능한 실용적인 솔루션으로 평가될 수 있다.