Memory-efficient Image Patch Distribution Modeling for Industrial Anomaly Detection

불량품은 경제적 손실과 인명 피해를 초래할 수 있기 때문에, 제품 출하 이전 단계에서 불량품을 조기에 탐지하는 것은 중요하다. 정상 데이터를 모델링하여 높은 불량 탐지 정확도를 보인 기존 연구에서, 전체 정상 데이터를 대상으로 모델링할 경우 영상 수와 해상도에 비례하여 메모리 사용량이 급격히 증가한다. 실제 산업 환경에서는 안정적인 탐지를 위해 대규모 및 고해상도 영상이 필요하므로, 이러한 한계는 실제 적용에 큰 제약으로 작용한다. 본 논문은 이 문제를 해결하기 위해 온라인 군집 메모리 뱅크 방법을 제안한다. 제안 방법은 정상 영상을 순차적으로 처리하며 특징을 군집화 방식을 통해 메모리 효율적인 방법으로 모델링한다. 실험 결과, 제안한 방법은 Real-IAD 데이터셋에서 약 90.6%의 image-AUROC을 달성하면서 메모리 사용량을 약 90% 이상 절감하였다. 또한 고해상도 영상 처리가 가능해지면서, 512×512 해상도 접근으로 기존 224×224 해상도 대비 약 1.4%의 Image-AUROC 향상 및 5%의 PRO 성능 향상을 보였다.