AI › 산업 AI 응용 › 비전 검사

비지도 결함 탐지Unsupervised Defect Detection

결함 영상 없이 정상 제품 영상만으로 정상의 모습을 학습해 두고, 새 영상에서 그 모습과 다른 곳을 점수 지도로 표시해 양품 · 불량과 결함 위치를 가려내는 외관 검사 방법이다.

1요약

  1. 비지도 결함 탐지는 비전 검사의 판정 단계에서 정상 영상만 학습해 패치마다 점수를 매기는 방식으로, 2020 ~ 2022년 특징 분포(PaDiM) · 특징 기억(PatchCore) · 지식 증류 계열이 공개 기준 데이터 MVTec AD 에서 화소 AUROC 97.5 ~ 98.1% 를 냈고(Defard 2020 표 III · Roth 2022 4.2절), 그 점수 지도 위에서 결함 위치 표시와 뒤 단계 결함 분류가 돈다.
  2. 결함 영상은 드물고 종류도 미리 다 모으지 못해 지도 학습이 출발하지 못한다 — 이 방식은 결함 0장으로 시작하지만, 직접 실행한 사례에서 영상 AUROC 0.950 인데도 검증 정상 최댓값 임계값에서 미세 구멍은 20장 중 1장만 잡혔다.
  3. 「점수는 높은데 현장에서 놓친다」는 순위 지표와 운용 임계값의 차이로 가른다 — AUROC 가 높고 놓침이 많으면 임계값을 정한 정상 표본 문제, 화소 AUROC 는 높은데 PRO 가 낮으면 결함 영역 일부만 짚는 위치 표시 문제다.

2등장 배경

외관 검사 라인에는 정상품이 하루 수만 개 지나가도 결함품은 몇 개뿐이고, 새 결함은 레이블을 붙일 표본이 쌓이기 전에 먼저 나타난다. 결함 종류마다 수백 장을 모아야 하는 분류 · 검출 모델은 이 «출발 전 공백»을 메우지 못한다.

2018년 Bergmann 외는 정상 영상을 다시 그려 내는 오토인코더의 화소 차이가 가장자리의 작은 어긋남에도 커진다는 문제를 짚고 구조 유사도(SSIM) 오차를 썼다(Bergmann 2019 초록). 2019년 같은 연구진이 정상만 있는 학습 세트의 MVTec AD 를 공개했고, 2020년에는 교사 · 학생 특징 차이 방식과 영역 단위 지표 PRO(Bergmann 2020 4절), 사전 학습 특징의 최근접 비교 SPADE(Cohen 2020), 위치별 가우시안 PaDiM(Defard 2020)이 잇따라 나왔다.

2022년 PatchCore 는 정상 패치 특징 은행을 코어셋으로 줄여 영상 AUROC 99.0% 를 유지했고(Roth 2022 표 5), 2023년 EfficientAD 는 같은 계열을 영상 한 장 2.2 ms 로 줄였다(Batzner 2023 표 1). 지금 남은 과제는 순위 지표가 아니라 정상 표본만으로 임계값을 정하는 일과, 부품 개수 · 배치가 틀린 «논리 이상»이다.

3쉽게 이해하기 — 직물 검사실의 검사원 넷

직물 공장 검사실에는 흠 있는 천 견본이 한 장도 없다. 검사원 넷이 한 달 동안 흠 없는 천만 만지며 결을 익혔고, 새 천이 오면 천을 바둑판처럼 나눠 칸마다 «익힌 결과 얼마나 다른가»를 점수로 적는다. 반장은 흠 없는 천 50장에 매긴 점수를 보고 기준선을 긋고, 기준선을 넘는 칸이 하나라도 있으면 그 천에 흠 표시를 붙인다.

1 흠 없는 천 견본 100장 정상 영상만 2 검사원 넷이 결을 익힘 따라 그리기 · 자리별 장부 조각 상자 · 스승과 제자 정상 모델 네 계열 3 칸별 점수판 바둑판 칸마다 점수 지도 4 반장의 기준선 흠 없는 천 50장 임계값 모든 칸이 기준 아래 한 칸이라도 위 그대로 출고 양품 흠 표시 불량 흠 있는 천 견본 0장 처음 보는 흠도 «익힌 결과 다름»으로 찾는다 흠의 이름은 붙이지 않는다 — 이름은 다음 단계 정상 영상 모델 · 판정 규칙 출력 · 양품 사람의 기준 결함 · 불량

그림 1 · 검사원은 흠 없는 천만 익히고, 칸마다 다름을 점수로 적으며, 반장이 흠 없는 천의 점수로 그은 기준선이 통과와 흠 표시를 가른다.

견본 모으기흠 없는 천만
결 익히기한 달 동안
칸 나누기바둑판처럼
점수 적기익힌 결과 얼마나 다른가
기준선 긋기흠 없는 천 50장으로
흠 표시가장 높은 칸이 넘으면
비유 — 칸마다 적은 점수판 실제 — 패치 점수 지도 1 2 1 1 2 1 9 가장 높은 칸 = 이 천의 점수 9 흠 없는 칸은 1 ~ 2점, 흠 칸만 높다 빈칸 = 1 ~ 2점(줄여 적음) 영상 32×32 6×6 창 · 2화소씩 점수 지도 14×14 패치 196개 · 패치마다 거리 8.79 최댓값 영상 점수 = 점수 지도의 최댓값 사례 미세 구멍 한 장의 값(그림 5 의 오른쪽 끝 점) 정상에 가까운 패치 정상과 먼 패치 지금 보는 창(점선 = 다음 자리)

그림 2 · 천 한 장의 판정은 칸 점수 가운데 가장 높은 하나로 정해진다 — 실제로는 6×6 화소 창을 2화소씩 옮긴 패치 196개의 점수 지도의 최댓값이다.

비유 속 역할실제 이름실제로 하는 일
흠 없는 천 견본정상 학습 영상결함 레이블 없이 정상 영상만 모은다
검사원 넷정상 모델 네 계열재구성 · 특징 분포 · 특징 기억 · 지식 증류
바둑판 칸패치영상을 겹치는 작은 창으로 나눈다
칸별 점수점수 지도패치마다 정상과의 거리 · 차이를 적는다
가장 높은 칸영상 점수점수 지도의 최댓값 하나로 영상을 대표한다
반장의 기준선임계값정상 검증 영상 점수 분포에서 정한다
흠 표시불량 판정 · 결함 위치임계값을 넘은 패치가 결함 위치가 된다

⚠ 비유가 맞지 않는 곳: 검사원은 흠을 보면 «구멍 · 얼룩»이라고 이름을 말하지만 모델은 다름의 크기와 자리만 낸다. 반장은 흠 있는 천을 한 번 보면 기준선을 고치지만, 이 방식은 결함 영상을 보지 않고 정상 점수만으로 기준을 정한다.

4구조 — 특징 · 정상 모델 · 점수 지도 · 임계값

비지도 결함 탐지는 특징 추출 → 정상 모델 → 점수 지도 → 영상 점수 → 임계값 판정의 다섯 단계이고, 계열은 정상 모델에 무엇을 저장하느냐로 나뉜다. 특징은 대개 영상 분류로 사전 학습한 CNN 의 중간 특징이며, PaDiM 은 특징 차원을 무작위로 골라 줄였다(Defard 2020 3.A절).

비지도 결함 탐지의 구성 정상 영상 학습 · 검증 결함 0장 특징 추출 패치 특징 사전 학습 CNN 정상 모델 무엇을 저장 네 계열 점수 지도 패치마다 위치 표시 영상 점수 지도 최댓값 한 장에 하나 판정 임계값 정상 점수로 정함 정상 모델 — 저장하는 것 · 점수 재구성 복원 모델 · 입력과 복원의 차이 특징 분포 위치별 평균 · 공분산 · 마할라노비스 특징 기억 정상 패치 특징 은행 · 최근접 거리 지식 증류 교사 · 학생 신경망 · 두 특징의 차이 평가 — 임계값 없이 잼 영상 AUROC · 영상 순위 화소 AUROC · 화소 순위 PRO · 영역마다 겹침 거짓 양성률 30% 까지 정상 영상 특징 · 표현 모델 · 판정 규칙 출력 · 평가 점선 = 한 상자를 펼침

그림 3 · 계열은 정상 모델 하나만 바꾸고, 점수 지도 · 최댓값 · 임계값의 뒤 단계와 세 가지 평가 지표는 같다.

요소역할값 · 근거
특징 추출패치를 특징 벡터로 바꾼다PaDiM WR50 은 차원 550개를 무작위 선택(Defard 2020 표 III)
재구성복원 오차를 점수로MVTec AD 화소 AUROC · PRO = L2 82 · 79.0, SSIM 87 · 69.4(Defard 2020 표 III)
특징 분포위치별 가우시안 · 마할라노비스 거리97.5 · 92.1 · CPU 0.95초(Defard 2020 표 III · VII)
특징 기억정상 패치 은행의 최근접 거리은행 10% 코어셋 98.1 · 93.5(Roth 2022 표 5)
지식 증류교사 특징을 학생이 못 따라 한 정도역증류 97.8 · 93.9(Deng 2022 4절) · STPM 97.0 · 92.1(Wang 2021 표 1)
영상 점수점수 지도의 최댓값PaDiM 정의(Defard 2020 3.C절)
PRO결함 영역마다 겹친 비율의 평균거짓 양성률 30% 까지 면적을 1로 정규화(Bergmann 2020 4절)

5동작 — 직물 영상 110장 판정

합성 직물 영상으로 돌린 사례다(직접 실행 · NumPy 2.4.3 · 난수 시드 0). 사전 학습 CNN 대신 화소 패치를 무작위 투영한 특징을 쓰고, 정상 모델은 특징 분포 계열(PaDiM 꼴)이다.

  1. 영상은 32×32 회색조 직물 무늬(주기 4화소 가로 · 세로 결 · 진폭 10 계조 둘 · 잡음 σ 2 · 영상마다 밝기 ±10)다 — 학습 정상 100 · 검증 정상 50 · 시험 정상 50 과 결함 60장(미세 구멍 5화소 −7 계조 · 실 끊김 2×12화소 결 사라짐 · 얼룩 197화소 +20 계조 · 각 20장)을 만든다.
  2. 6×6 패치를 보폭 2 로 잘라 영상마다 196곳을 얻고, 패치 평균을 뺀 36차원을 무작위 투영으로 12차원 특징으로 줄인다.
  3. 위치마다 학습 정상 100개 특징의 평균 · 공분산(+0.01 I)을 구해 가우시안 196개, 숫자 30,576개를 저장한다(Defard 2020 식 1).
  4. 시험 패치마다 마할라노비스 거리를 재 점수 지도를 만들고 최댓값을 영상 점수로 쓴다 — 정상 5.14 ~ 6.75 · 구멍 5.59 ~ 8.79 · 실 끊김 9.42 ~ 13.30 · 얼룩 17.94 ~ 22.93 이다.
  5. 검증 정상 50장의 점수로 임계값 둘을 정한다 — A = 최댓값 8.084, B = 95 백분위 6.570 이고, A 는 둘째로 높은 7.010 보다 1.07 높은 한 장이 정한다.
  6. A 에서는 과검 0/50 · 실 끊김 20/20 · 얼룩 20/20 · 구멍 1/20, B 에서는 과검 3/50 · 구멍 7/20 이다 — 시드 0 ~ 4 에서 A 의 구멍 검출은 1 ~ 9/20 으로 갈린다.
  7. 임계값 없는 지표는 영상 AUROC 0.950 · 화소 AUROC 0.934 · PRO 0.803 이다 — 얼룩 영역의 PRO 는 0.795 로 가장 낮고, 정상 화소 1% 만 넘는 기준에서 얼룩 안쪽 화소는 0%, 가장자리는 41% 가 표시된다.
  8. 같은 데이터에 재구성(주성분 4개)과 최근접 기억(코어셋 5% · 980개)을 돌리면 영상 AUROC 0.992 · 0.887, PRO 0.812 · 0.722 다 — 무늬가 사인파 둘의 합이라 선형 복원이 유리했고, 사전 학습 특징을 쓴 공개 결과의 순위(표 · 비교 절)와 다르다.
1 데이터 학습 정상 100 검증 50 · 시험 110 2 특징 6×6 패치 196곳 36 → 12차원 3 정상 모델 가우시안 196개 숫자 30,576개 4 점수 마할라노비스 거리 지도 최댓값 5 임계값(검증 정상 50) A 최댓값 8.084 B 95 백분위 6.570 6 판정(임계값 있음) A 과검 0 · 구멍 1/20 B 과검 3 · 구멍 7/20 7 평가(임계값 없음) 영상 AUROC 0.950 화소 0.934 · PRO 0.803 판정 흐름 같은 점수를 임계값 없이 잼

그림 4 · 사례는 정상 100장으로 위치별 가우시안 196개를 만들고, 정상 50장으로 임계값을 정한 뒤, 같은 점수를 임계값 있는 판정과 없는 지표로 따로 잰다.

영상 점수와 임계값 — 위치별 가우시안(직접 실행 · 합성 데이터) 검증 정상 50 시험 정상 50 미세 구멍 20 실 끊김 20 얼룩 20 5.0 6.0 7.0 8.0 9.0 영상 점수(점수 지도 최댓값) B 6.570 · 과검 3 · 구멍 7/20 A 8.084 · 과검 0 · 구멍 1/20 9.42 ~ 13.30 → 축 밖 17.94 ~ 22.93 → 축 밖 정상 영상 한 장 결함 영상 한 장 · 굵은 막대 = 축 밖 묶음 A 최댓값 B 95 백분위

그림 5 · 정상 표본만으로 정한 임계값 A 는 검증 정상 한 장에 끌려 올라가 구멍 19장을 놓치고, B 로 내리면 구멍 7장을 잡는 대신 정상 3장을 버린다.

화소 AUROC 와 PRO — 결함 종류별(직접 실행) 0.70 0.80 0.90 1.00 미세 구멍 영역 5화소 0.979 0.929 실 끊김 영역 24화소 0.997 0.989 얼룩 영역 197화소 0.922 0.795 — 안쪽 0% · 가장자리 41% 전체 0.934 0.803 화소 AUROC PRO(거짓 양성률 30% 까지) 굵은 테두리 = 가장 낮은 영역 축은 0.70 부터

그림 6 · 화소 AUROC 는 정상 화소 10만여 개의 순위가 끌어올려 0.93 대에 머물고, 결함 영역마다 겹침을 같은 무게로 보는 PRO 는 얼룩 안쪽을 놓친 것을 0.795 로 드러낸다.

🔑 비지도 결함 탐지에서 학습에 결함이 없다는 것은 임계값에도 결함이 없다는 뜻이다 — AUROC 는 결함을 본 평가자가 매긴 순위이고, 라인의 임계값은 정상 점수의 꼬리만 보고 정해진다.

6비교 — 정상 모델 계열의 차이

기준재구성특징 분포(PaDiM)특징 기억(PatchCore)지식 증류
저장하는 정상복원 신경망 가중치위치마다 평균 · 공분산정상 패치 특징 은행정상에서만 맞춘 학생 신경망
MVTec AD 화소 AUROC · PRO82 · 79.0(L2) · 87 · 69.4(SSIM)(Defard 2020 표 III)97.5 · 92.1(같은 표)98.1 · 93.5(Roth 2022 표 5)97.8 · 93.9(Deng 2022 4절)
위치 가정없음위치마다 가우시안 하나 — 정렬이 깨지면 92.2 · 73.1(Defard 2020 표 VI)은행에 위치 구분 없음(Roth 2022 3.1절)없음
저장 · 계산이 커지는 곳학습 시간(VAE 클래스당 2시간 40분 · Defard 2020 5.D절)영상 해상도(학습 장수와 무관 · 같은 절)학습 장수 — 코어셋으로 줄임(Roth 2022 3.2절)학생 신경망 추론
같은 GPU 지연(세 데이터 묶음)——32 ms(Batzner 2023 표 1)2.2 ms(EfficientAD-S · 같은 표)
논리 이상(MVTec LOCO 영상 AUROC)——75.8(Batzner 2023 표 2)86.8(EfficientAD-M · 오토인코더 포함 · 같은 표)

분석제품 자리가 고정된 정렬 영상이면 특징 분포 계열로 가볍게 시작하고, 위치 표시 정확도를 더 올려야 하면 특징 기억 계열을, 라인 택트가 수 ms 이거나 부품 개수 · 배치가 틀린 논리 이상이 문제면 지식 증류 계열을 고른다. 근거는 표의 「위치 가정」 · 「같은 GPU 지연」 · 「논리 이상」 행 — 세 계열의 PRO 차이는 1.8점 안이지만, 정렬이 깨지면 특징 분포 계열 PRO 가 19점 떨어지고 지연은 약 15배 · 논리 이상은 11점 벌어진다.

7실무 진단 — 순위 · 임계값 · 위치 표시 가르기

분석현장에서 놓침이 나오면 모델을 바꾸기 전에 그 결함 종류의 점수가 정상 검증 점수의 꼬리와 겹치는지를 먼저 본다. 겹치면 임계값이 아니라 특징 · 촬상 문제이고, 떨어져 있는데 놓치면 임계값을 정한 정상 표본의 문제다(그림 5 · 구멍 5.59 ~ 8.79 ↔ 정상 5.14 ~ 6.75).

#증상의심 원인단계확인 자료판정 기준(근거)
1영상 AUROC 는 높은데 미세 결함을 놓침임계값이 검증 정상의 튀는 한 장에 끌림임계값검증 정상 점수 상위 5개 간격 · 그 영상 재검수최댓값이 둘째 값과 크게 떨어지면(사례 8.084 ↔ 7.010) 재검수 뒤 백분위로 다시 정함
2넓은 얼룩의 가장자리만 표시밝기 정규화 · 패치 평균 빼기가 고른 변화를 지움특징결함 영역 안쪽 ↔ 가장자리 표시 비율안쪽 0% · 가장자리 41%(사례) — 평균을 남긴 특징을 더하거나 패치를 키움
3제품이 조금 밀려 들어오면 과검위치별 분포가 정렬을 가정정상 모델과검 영상의 위치 어긋남 · 정렬 전후 점수정렬이 깨진 시험에서 92.2 · 73.1(Defard 2020 표 VI) — 위치 맞춤을 넣고 다시 학습
4부품 하나 빠진 제품을 통과시킴국소 패치만 보는 계열의 논리 이상 한계정상 모델빠짐 · 순서 틀림 표본의 점수논리 이상 75.8 ↔ 86.8(Batzner 2023 표 2) — 영상 전체를 보는 갈래 추가
5처리 시간이 택트를 넘음기억 은행 크기 · 백본 크기추론영상당 지연 · 은행 패치 수32 ms ↔ 2.2 ms(Batzner 2023 표 1) — 코어셋 비율 축소 또는 가벼운 계열

가려내는 순서는 임계값 → 특징 → 정상 모델 → 추론이다. 임계값 점검은 이미 있는 검증 점수만으로 끝나고, 모델 교체는 학습부터 다시 해야 하므로 비용이 작은 쪽부터 본다.

8시험 대비

시험에서는 정상만으로 학습하는 이유와 재구성 · 특징 임베딩 · 지식 증류 세 계열을 쓰는 정의 · 특징형, 그리고 지도 학습 결함 검출 · 재구성 방식과 견주는 비교형이 나올 수 있다. 영상 AUROC · 화소 AUROC · PRO 를 나눠 쓰고 정상 표본만으로 임계값을 정하는 법을 붙이면 정의 수준을 넘는다.

답안 목차
  1. 개요 — 정의 · 결함 영상이 드문 외관 검사 현장 · 비전 검사 안의 위치(판정 단계)
  2. 구성 — 그림 3 구성도(특징 추출 → 정상 모델 → 점수 지도 → 최댓값 → 임계값)
  3. 계열 비교 — 재구성 · 특징 분포 · 특징 기억 · 지식 증류 표(MVTec AD 화소 AUROC · PRO · 지연 수치)
  4. 동작 — 그림 4 사례 순서(가우시안 196개 · 마할라노비스 · 지도 최댓값)
  5. 평가와 임계값 — 그림 5 점 그림(A 8.084 ↔ B 6.570 · 과검 ↔ 구멍 놓침) · 그림 6 화소 AUROC ↔ PRO
  6. 한계와 동향 — 논리 이상 · ms 단위 지연 · 결함 분류(ADC)와 이어 쓰기

꼭 쓸 키워드
정상 표본 학습패치 특징점수 지도재구성 오차마할라노비스 거리기억 은행코어셋교사-학생화소 AUROCPRO논리 이상MVTec AD

다른 답안과 차이를 내는 한 가지는 그림 5 처럼 임계값을 정상 점수 분포에서만 정해야 한다는 제약을 그리고, AUROC 가 같아도 운용 임계값에서 놓침이 크게 갈린다는 결론을 붙이는 것이다.

9오해와 사실

  • 오해영상 AUROC 0.95 이면 결함 95% 를 잡는다.
    사실AUROC 는 임계값과 무관한 순위 지표다 — 사례는 영상 AUROC 0.950 인데 검증 정상 최댓값 임계값에서 구멍 20장 중 1장만 잡았다.
  • 오해화소 AUROC 가 높으면 결함 위치를 잘 짚는다.
    사실화소 AUROC 는 큰 영역 하나가 작은 영역 여럿의 실패를 메울 수 있어, 영역마다 같은 무게를 주는 PRO 를 함께 쓴다(Bergmann 2020 4절) — 사례는 0.934 ↔ 0.803 이다.
  • 오해기억 은행이 클수록 늘 좋다.
    사실PatchCore 는 은행을 10% 로 줄여도 영상 · 화소 AUROC · PRO 가 99.0 · 98.1 · 93.5 로 100% 은행(99.1 · 98.0 · 93.3)과 같은 수준이고 지연은 0.6초에서 0.22초로 줄었다(Roth 2022 표 5).

10핵심 정리

구분정상 모델에 두는 것점수강한 곳약한 곳사례 · 공개 값
재구성복원 신경망입력 − 복원 차이단순 · 주기 무늬가장자리 어긋남 · 복잡한 물체사례 영상 AUROC 0.992 · MVTec PRO 69.4 ~ 79.0
특징 분포위치별 평균 · 공분산마할라노비스 거리정렬된 물체 · 작은 메모리위치 어긋남사례 0.950 · MVTec 97.5 · 92.1
특징 기억정상 패치 은행(코어셋)최근접 거리위치 무관 · 높은 정확도은행 크기 · 지연사례 0.887 · MVTec 98.1 · 93.5
지식 증류학생 신경망교사 ↔ 학생 특징 차이ms 단위 지연 · 논리 이상(AE 결합)학습 설계2.2 ms · LOCO 논리 86.8
영상 점수—점수 지도 최댓값결함 패치 하나도 반영튀는 패치 하나에 흔들림구멍 5.59 ~ 8.79
임계값정상 검증 점수최댓값 · 백분위결함 없이 정함꼬리 한 장에 끌림A 8.084 · B 6.570
PRO—영역별 겹침 평균작은 결함도 같은 무게거짓 양성률 30% 까지만사례 0.803 · 얼룩 0.795

11참고 문헌

  1. 먼저 볼 문헌
  2. ★ PaDiM: a Patch Distribution Modeling Framework for Anomaly Detection and Localization (arXiv 2011.08785) — 패치 위치마다 정상 특징의 가우시안을 두고 마할라노비스 거리로 점수 지도를 만드는 법과 재구성 계열과의 비교표를 볼 때
    T. Defard 외 · arXiv · 2020-11 · arxiv.org/abs/2011.08785 · 확인 2026-11-12
  3. ★ Towards Total Recall in Industrial Anomaly Detection (arXiv 2106.08265) — 정상 패치 특징 기억 은행과 코어셋으로 줄이는 법 · 점수 · 시간 표를 볼 때
    K. Roth 외 · arXiv · 2021-06 · arxiv.org/abs/2106.08265 · 확인 2026-11-12
  4. ★ Uninformed Students: Student-Teacher Anomaly Detection with Discriminative Latent Embeddings (arXiv 1911.02357) — 교사 · 학생 특징 차이로 결함을 찾는 방식과 PRO 지표의 정의를 볼 때
    P. Bergmann 외 · arXiv · 2019-11 · arxiv.org/abs/1911.02357 · 확인 2026-11-12
  5. ★ EfficientAD: Accurate Visual Anomaly Detection at Millisecond-Level Latencies (arXiv 2303.14535) — 같은 GPU 에서 잰 방식별 지연 · 처리량과 논리 이상 성적을 볼 때
    K. Batzner 외 · arXiv · 2023-03 · arxiv.org/abs/2303.14535 · 확인 2026-11-12
  6. 본문 근거
  7. Anomaly Detection via Reverse Distillation from One-Class Embedding (arXiv 2201.10703) — H. Deng · X. Li · arXiv · 2022-01 · arxiv.org/abs/2201.10703 · 확인 2026-11-12
  8. Improving Unsupervised Defect Segmentation by Applying Structural Similarity to Autoencoders (arXiv 1807.02011) — P. Bergmann 외 · arXiv · 2018-07 · arxiv.org/abs/1807.02011 · 확인 2026-11-12
  9. Sub-Image Anomaly Detection with Deep Pyramid Correspondences (arXiv 2005.02357) — N. Cohen · Y. Hoshen · arXiv · 2020-05 · arxiv.org/abs/2005.02357 · 확인 2026-11-12
  10. Student-Teacher Feature Pyramid Matching for Anomaly Detection (arXiv 2103.04257) — G. Wang 외 · arXiv · 2021-03 · arxiv.org/abs/2103.04257 · 확인 2026-11-12
  11. NumPy 2.4 Reference — Random Generator — NumPy developers · 2026-11 · numpy.org/doc/stable/reference/random/generator.html · 확인 2026-11-12