Anomaly detection is a task that distinguishes whether incoming data is normal or abnormal. To give a network the ability to detect anomaly samples, we propose a method that deliberately limiting and distorting information of the data and then restoring original data from such corrupted data by using denoising and inpainting. As most of anomaly detection algorithm does, the reconstruction error would be the measure of abnormality. The main idea behind our proposed method is that the restored data distribution inevitably follows the normal sample distribution if only limited information of the data is provided. Experimental results show that the proposed method is superior to the existing generative model-based abnormal detection method in both quantitative and qualitative aspects.
이 논문에서는 정상 샘플과 비정상 샘플 구분 문제를 해결하기 위한 비정상 검출 연구를 진행한다. 네트워크에게 이상 샘플 검출 능력을 부여하기 위해 의도적으로 데이터의 정보를 제한, 왜곡 시키고 또한 이렇게 망가진 데이터로부터 원래의 데이터를 복원하는 일련의 작업을 훈련시켰다. 그리고 대부분의 이상치 검출 연구들이 그러하듯 복원 손실을 기준으로 삼아 이상치를 검출하였다. 제안된 방법의 주요 아이디어는 정보가 매우 제한된 데이터만 주어졌을 때에 복원된 샘플은 반드시 훈련때 보아왔던 정상 샘플처럼 될 것이라는 가정이다. 실험 결과 우리의 제안된 방법은 기존의 생성 모델 기반 이상치 검출 연구들에 비해 정성적, 정략적으로 뛰어난 결과를 보여주고 있다.
