ExDD: Explicit Dual Distribution Learning for Surface Defect Detection via Diffusion Synthesis

이 논문은 데이터 부족과 균일한 이상치 가정의 한계를 극복하기 위해 정상과 이상 패턴의 이중 분포를 명시적으로 모델링하고, 도메인 특화 텍스트 조건부 잠재 확산 모델을 활용한 합성 데이터 증강을 통해 산업 표면 결함 검출 성능을 획기적으로 향상시킨 'ExDD' 프레임워크를 제안합니다.

핵심

1. 기존 기술의 문제점: "모든 이상은 똑같다?"라는 오해

기존 공장 검사 시스템들은 대부분 **"정상적인 제품"**만 보고 학습했습니다. 마치 **"정상적인 사과"**만 수백 개 보고 "사과가 아닌 것"을 찾는 시스템을 만든 것과 같습니다.

• 문제: 이 시스템은 "사과가 아닌 것"이 무엇이든 다 똑같은 '이상'으로 취급합니다. 하지만 실제 공장에서 결함은 다양합니다. '긁힌 것', '얼룩진 것', '금 간 것' 등 결함마다 모양과 특징이 다릅니다.
• 결과: 기존 시스템은 결함이 너무 다양하거나 드물 때 (데이터 부족), 엉뚱한 곳을 '결함'으로 오인하거나 진짜 결함을 놓치는 경우가 많았습니다.

2. ExDD 의 핵심 아이디어: "정상"과 "결함"을 따로 공부하게 하기

ExDD 는 이 문제를 해결하기 위해 **두 개의 기억상자 (Memory Bank)**를 만들어 사용합니다.

• 상자 1 (정상 상자): 완벽한 제품 사진만 담습니다. "이게 정상이다"라고 기억합니다.
• 상자 2 (결함 상자): 결함 사진을 담습니다. 여기서 핵심은, 실제 결함 사진이 부족할 때 **인공지능 (확산 모델)**이 결함을 가짜로 만들어서 이 상자에 채운다는 점입니다.

🍎 비유:

기존 시스템은 "사과만 본 사람"이 "배, 포도, 바나나"를 다 '이상한 것'으로 처리하는 것과 같습니다.
ExDD 는 "사과만 본 사람"에게 "배, 포도, 바나나"도 각각 따로 공부시켜서 "아, 이건 배구나, 저건 포도구나"라고 정확히 구분하게 만든 것입니다.

3. 어떻게 결함을 만들어낼까? (AI 의 상상력)

실제 공장에서는 결함이 드물기 때문에 결함 사진을 많이 구하기 어렵습니다. 그래서 ExDD 는 **생성형 AI(확산 모델)**를 활용합니다.

• 방법: AI 에게 "구리판에 흠집이 생긴 모습"이나 "벽에 하얀 얼룩이 생긴 모습"이라고 텍스트로 설명을 해줍니다.
• 결과: AI 는 그 설명을 바탕으로 실제 공장 환경과 똑같은 분위기를 유지하면서, 마치 진짜처럼 보이는 가짜 결함 사진을 만들어냅니다.
• 효과: 이렇게 만들어진 가짜 결함 사진들을 '결함 상자'에 넣으면, 시스템은 결함의 다양한 패턴을 충분히 학습할 수 있게 됩니다.

4. 결함을 찾는 방법: "비교"와 "비율"

이제 검사할 제품이 들어오면 ExDD 는 두 가지 질문을 동시에 던집니다.

1. 정상 상자와 비교해: "이 부분이 정상 제품과 얼마나 달라?" (차이점 찾기)
2. 결함 상자와 비교해: "이 부분이 우리가 알고 있는 결함들과 얼마나 비슷해?" (유사점 찾기)

🎯 최종 판단 (비율 점수):
단순히 "정상과 다르다"고 해서 결함이 아닙니다. **"정상과는 많이 다르면서, 동시에 우리가 아는 결함과 비슷하다"**는 조건을 모두 만족해야 진짜 결함으로 판정합니다.

• 비유:

  "이 사람이 내 친구와 닮지 않았어 (정상과 다름)" + "이 사람이 범인 목록에 있는 사람과 닮았어 (결함과 유사)"
  이 두 가지가 동시에 맞을 때만 "아, 이 사람은 범인이구나!"라고 확신하는 것입니다.

5. 왜 이 기술이 중요한가요? (결과)

이 기술을 실제 산업용 데이터 (KSDD2) 에 적용해 보니 놀라운 결과가 나왔습니다.

• 정확도: 기존 최고의 기술들보다 더 정확하게 결함을 찾아냈습니다. (이미지 전체 판별 94.2%, 픽셀 단위 위치 찾기 97.7% 성공)
• 효율성: 실제 결함 사진이 아주 적어도, AI 가 만든 가짜 결함 사진 100 장만 추가해도 성능이 극대화되었습니다. (너무 많이 만들면 오히려 성능이 떨어집니다.)
• 실용성: 미세한 흠집도 놓치지 않고, 배경을 결함으로 오인하는 실수를 크게 줄였습니다.

요약

ExDD는 "결함은 하나만 있는 게 아니다"라는 사실을 인정하고, AI 가 가짜 결함을 만들어내게 해서 결함의 다양한 모습을 미리 학습시킵니다. 그리고 **"정상과 얼마나 다른가"**와 **"결함과 얼마나 비슷한가"**를 동시에 비교하여, 정확하고 신뢰할 수 있는 검사를 가능하게 합니다.

이는 마치 수석 검사관이 "정상 제품"과 "다양한 결함 제품"을 모두 완벽하게 기억하고 있어서, 어떤 미세한 흠집도 놓치지 않는 것과 같습니다.

기술 요약

1. 문제 정의 (Problem)

산업 현장의 표면 결함 검출은 품질 관리의 핵심이지만, 기존 접근 방식에는 다음과 같은 근본적인 한계가 존재합니다.

• 데이터 부족: 실제 생산 라인에서 결함 데이터는 매우 드물어 (희소성) 지도 학습 (Supervised Learning) 이 어렵습니다.
• 단일 클래스 (One-class) 패러다임의 한계: 기존 방법론 (PatchCore, PaDiM 등) 은 정상 데이터만으로 학습하여 '정상에서 벗어난 것'을 결함으로 간주합니다. 이는 결함이 균일하게 분포된 이상치 (Uniform Outliers) 라고 가정하는데, 실제 산업 결함 (스크래치, 얼룩 등) 은 특징 공간 (Feature Space) 에서 명확하고 일관된 패턴을 가진 별개의 분포를 형성합니다.
• 합성 데이터의 부조화: 기존 생성 모델 (GAN 등) 은 현실과 동떨어진 아티팩트 (Artifacts) 를 생성하거나, 생성 과정과 검출 파이프라인이 분리되어 있어 최적화가 어렵습니다.

2. 제안 방법론 (Methodology: ExDD)

저자들은 ExDD (Explicit Dual Distribution) 라는 새로운 프레임워크를 제안하여 위 문제들을 해결합니다. 핵심은 정상과 결함의 특징 분포를 명시적으로 모델링하고, 확산 모델 (Diffusion Model) 을 활용한 고품질 합성 데이터를 통합하는 것입니다.

A. 명시적 이중 분포 학습 (Explicit Dual Distribution Learning)

기존의 단일 메모리 뱅크를 넘어 두 개의 병렬 메모리 뱅크를 도입합니다.

1. Negative Memory Bank ($M_N$): 정상 (Nominal) 이미지 패치 특징을 저장.
2. Positive Memory Bank ($M_P$): 결함 (Anomalous) 이미지 패치 특징을 저장.

• 이 구조를 통해 결함이 단순히 '정상에서 먼 점'이 아니라, '결함 분포에 가까운 점'임을 명시적으로 학습합니다.

B. 확산 기반 합성 결함 생성 (Diffusion-Augmented Training)

데이터 부족 문제를 해결하기 위해 잠재 확산 모델 (Latent Diffusion Models, LDM) 을 활용합니다.

• 도메인 지식 기반 프롬프트: "금속 스크래치", "벽의 흰색 얼룩"과 같은 자연어 프롬프트를 사용하여 실제 산업 환경과 통계적 특성이 일치하는 In-distribution 합성 결함을 생성합니다.
• 자동화: 생성된 이미지와 원본 이미지의 차이를 계산하여 결함 위치 (마스크) 를 자동으로 추출, Positive Memory Bank 에 효율적으로 추가합니다.

C. 이웃 인식 비율 점수화 (Neighborhood-Aware Ratio Scoring)

검출 신뢰도를 높이기 위해 새로운 점수 산출 방식을 도입합니다.

• 거리 계산: 테스트 패치가 Normal Memory ($s_N$) 와 Positive Memory ($s_P$) 에서 각각 얼마나 떨어져 있는지 계산합니다.
• 이웃 가중치: 특징 공간의 국소적 밀도 (Local Density) 를 고려하여 가중치를 부여합니다.
• 비율 점수 (Ratio Scoring): 최종 결함 점수는 $S_{ratio} = \frac{s_N}{s_P + \epsilon}$로 계산됩니다.
  • 논리: 정상 패턴과 거리가 멀고 ($s_N$ 높음), 알려진 결함 패턴과 유사할 때 ($s_P$ 낮음) 점수가 극대화되어 오탐지 (False Positive) 를 줄이고 미세한 결함을 포착합니다.

3. 주요 기여 (Key Contributions)

1. 이중 분포 분리 학습: 표면 결함 검출을 '정상과 결함의 특징 분포 분리 문제'로 재정의하고, 메모리 뱅크를 통해 이를 명시적으로 모델링했습니다.
2. 확산 모델 통합 학습: 도메인 특화 텍스트 프롬프트를 활용한 LDM 을 통해 기하학적 정합성 (Geometric Fidelity) 을 유지한 합성 결함을 생성하고, 이를 검출 파이프라인과 통합하여 공동 최적화 (Joint Optimization) 를 달성했습니다.
3. 강건한 비율 점수 메커니즘: 정상으로부터의 거리와 결함과의 유사성을 결합한 새로운 점수화 방식을 제안하여, 기존 단일 클래스 방법론의 한계를 극복했습니다.

4. 실험 결과 (Results)

KSDD2 데이터셋 (실제 산업용 표면 결함 데이터) 에서 실험을 수행했습니다.

• 성능 지표:
  • 이미지 수준 (I-AUROC): 94.2% (SOTA 달성)
  • 픽셀 수준 (P-AUROC): 97.7% (SOTA 달성)
• 비교 분석:
  • 기존 SOTA 방법인 PatchCore 대비 이미지 수준에서 1.9%, 픽셀 수준에서 1.1% 향상.
  • DRAEM, DSR 등 기존 합성 데이터 기반 방법론에 비해 픽셀 단위 국소화 (Localization) 성능이 압도적으로 우수함 (DRAEM 42.4% vs ExDD 97.7%).
• 증강 분석:
  • 합성 데이터 양을 100 개 (텍스트 프롬프트당 50 개) 로 설정했을 때 최적의 성능을 보였습니다. 150 개 이상으로 늘리면 성능이 오히려 감소하여, 분포의 다양성과 편향 사이의 최적 균형점이 존재함을 확인했습니다.

5. 의의 및 결론 (Significance)

이 논문은 산업용 결함 검출 분야에서 다음과 같은 중요한 의의를 가집니다.

• 패러다임 전환: 결함을 '무작위 이상치'가 아닌 '구조화된 분포'로 인식하게 함으로써, 데이터가 부족한 환경에서도 더 정확한 결정 경계를 학습할 수 있게 했습니다.
• 실용성: 생성된 합성 데이터가 실제 산업 맥락 (Context) 을 보존하므로, 실제 공장 환경에서의 적용 가능성이 높습니다. 특히 미세한 결함의 경계를 정확히 파악하고 오탐지를 줄이는 데 탁월한 성능을 입증했습니다.
• 미래 방향: 제한된 데이터 환경에서의 적응형 메모리 동역학 및 불확실성 정량화 연구의 기초를 마련했습니다.

요약하자면, ExDD 는 확산 모델로 생성된 고품질 합성 데이터와 이중 분포를 명시적으로 모델링하는 메모리 아키텍처를 결합하여, 기존 단일 클래스 방법론의 한계를 극복하고 산업 표면 결함 검출의 정확도와 국소화 능력을 획기적으로 향상시킨 혁신적인 프레임워크입니다.