1. どんなもの？

• ReconstructionとSegmentationベースの異常検知モデル
• 擬似的な異常パターンを生成しDenoise，Denoise前後の画像ペアから異常パターンをSegmentation

2. 先行研究と比べてどこがすごい？

• 異常パターンの生成方法が新しい
  • 単なるノイズ付与などよりも実際の欠陥に近い
• 最終的な判定はSegmentationを行うNNであるため，非線形で複雑な判定を行うことが可能
  • MSEやSSIMなどのMetric設計が不要
  • Low Contrastな欠陥なども検出できる可能性あり

3. 技術や手法の"キモ"はどこ？

• モデル構造
  • Reconstrunction sub-network（Denoising）とDiscriminative sub-network（Segmentation）
• 異常パターンの生成

モデル構造

• 全体は以下
• 目的関数は

Reconstrunction sub-network

• 正常画像に異常パターンを付与（後述）し，AEで再構成
• 再構成誤差$L_{rec}$には，SSIMとL2の重み付き和を採用

Discriminative sub-network

• 異常パターン付与画像と再構成後画像のペアが入力
• U-Net構造でSegmentation（異常パターン付与された箇所が1の01マップ）
• LossにはFocal Lossを採用

擬似異常パターンの生成

• パーリンノイズ画像を生成
  • 2値化して，マスク$M_a$と反転マスク$\bar{M_a}$を生成
• 背景テクスチャのデータセットDTD（Describe Texture Dataset）から画像をサンプリング
  • posterize, sharpness, solarize, equalize, brightness change, color change, auto-contrastの中から3つランダム選択してデータ変換して$A$を得る
• 最終的な生成は以下の式

4. どうやって有効だと検証した？

• MVTec ADに対して実験

  • Image-level AUROCでPaDiM超え

• Ablation StudyでDiscriminative sub-networkと異常パターン生成の有効性を確認

5. 議論はあるか？

• 差分ベースの問題解決につながるかも
• この異常パターン生成とCutpasteの比較などほしい

6. 次に読むべき論文はある？