[48] Unsupervised Continual Anomaly Detection with Contrastively-learned Prompt

[sy00n]

개인적인 의문

• Anomaly Detection에서 Continual이 왜 필요한지?
• Pixel-level AUROC는 왜 report 하지 않았을까?

문제 정의

• 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.
  • DNE는 continual anomaly detection보다 continual binary image classification method로 보는게 맞음.

이렇게 task identity가 없어도 되는 셋팅임.