Unsupervised Anomaly Detection 최근 연구들 주로 test 시에 class identity 정보에 의존하는 방향으로 진
Anomaly detection은 그동안 주로 one model per one class scheme으로 연구가 되어 왔고 이런 효율성의 한계를 극복하고자 multi-class setting으로 연구가 확장되어옴.
하지만, 이런 unified model의 경우 모든 데이터가 한번에 동시에 학습되어야 한다는 한계가 있음. 또한 sequential하게 학습시켜서 continual 하게 adapt하면 이전에 학습한 지식을 retain하는 능력이 부족함.
일반적으로 continual learning은 test단계에서 task identities를 아는지 아는지에 대한 requirement로 나눌 수 있음.
Task-aware approach는 explicit하게 task identities를 활용해서 가이드로 해서 학습함.
하지만 항상 inference시에 task identities를 안다고 볼 수 없음. 예를 들어 mvtec dataset 같은 경우에는 screw, hazelnut 이런 class 정보 없이 inference 한다고 생각하면 됨.
이렇게 test 시에 task idenity를 모른다고 가정하는 연구들이 있었는데 (L2P 등) UAD(Unsupervised Anomaly Detection)에서도 잘 된다는 보장이 없음. anomaly data를 많이 확보하는 것이 어렵기 때문에 CL을 UAD에 적용하는 것에 대한 연구가 필수적이라고 주장.
DNE라는 논문 이외에는 CL을 UAD에 통합하려는 연구가 없었음. 하지만 DNE는 augmentation에 의존해서 pseudo-supervision을 줌. 이는 anomaly segmentation에 적용하기에 좋지 않음.
개인적인 의문
문제 정의