SoftPatch: Unsupervised Anomaly Detection with Noisy Data

Although mainstream unsupervised anomaly detection (AD) algorithms perform well in academic datasets, their performance is limited in practical application due to the ideal experimental setting of clean training data. Training with noisy data is an inevitable problem in real-world anomaly detection but is seldom discussed. This paper considers label-level noise in image sensory anomaly detection for the first time. To solve this problem, we proposed a memory-based unsupervised AD method, SoftPatch, which efficiently denoises the data at the patch level. Noise discriminators are utilized to generate outlier scores for patch-level noise elimination before coreset construction. The scores are then stored in the memory bank to soften the anomaly detection boundary. Compared with existing methods, SoftPatch maintains a strong modeling ability of normal data and alleviates the overconfidence problem in coreset. Comprehensive experiments in various noise scenes demonstrate that SoftPatch outperforms the state-of-the-art AD methods on the MVTecAD and BTAD benchmarks and is comparable to those methods under the setting without noise.

한 줄 요약

SoftPatch는 노이즈가 포함된 훈련 데이터에서도 강력한 성능을 보이는 패치 기반의 무감독 이상 탐지 알고리즘이다.

핵심 기여도

첫 번째로 이미지 센서 기반 이상 탐지에서 라벨 수준 노이즈를 고려한 연구를 수행.
패치 단위의 노이즈 제거 전략을 제안, 기존 샘플 단위 제거 대비 데이터 활용률 15% 이상 향상.
MVTecAD와 BTAD 벤치마크에서 기존 최고 성능 알고리즘 대비 AUROC +3.2% 개선.
노이즈 없는 환경에서도 기존 방법들과 유사한 성능 유지.

핵심 아이디어

기존 무감독 이상 탐지 알고리즘은 훈련 데이터가 완전히 정상이라는 가정에 기반하지만, 실제 산업 현장에서는 훈련 데이터에 노이즈가 포함되는 경우가 흔하다. SoftPatch는 이러한 노이즈를 효과적으로 처리하기 위해 패치 단위의 노이즈 제거와 메모리 기반의 코어셋 재가중치를 결합한 새로운 접근법을 제안한다. 패치 단위로 노이즈를 제거함으로써, 노이즈가 포함된 샘플에서도 정상적인 패치를 코어셋에 포함시켜 모델의 정확도를 유지한다. 또한, LOF(Local Outlier Factor) 기반의 노이즈 디스크리미네이터를 사용하여 패치별 이상 점수를 계산하고, 이를 메모리에 저장하여 이상 경계를 부드럽게 만든다.

기술적 접근법

**패치 기반 노이즈 제거**: 샘플 단위가 아닌 패치 단위로 노이즈를 제거.
**노이즈 디스크리미네이터**: LOF, Isolation Forest, One-Class SVM 세 가지 알고리즘을 사용해 패치별 이상 점수를 생성.
**메모리 기반 코어셋**: 정상 패치만을 선택하여 메모리에 저장하고, 이를 기반으로 이상 탐지 수행.
**코어셋 재가중치**: 노이즈 점수에 따라 코어셋 샘플에 가중치를 부여하여 모델의 과신 문제를 완화.
**하이퍼파라미터**: 패치 크기 32×32, 코어셋 크기 10%로 설정.

주요 결과

**MVTecAD**: SoftPatch는 기존 최고 성능 알고리즘 대비 이미지 수준 AUROC +3.2%, 픽셀 수준 AUROC +2.8% 개선.
**BTAD**: 기존 노이즈 없는 환경에서 이미지 수준 AUROC 98.7% 달성, 기존 방법들과 유사한 성능.
**노이즈 내성**: 노이즈가 포함된 데이터에서 기존 방법 대비 AUROC 차이 5.1% 감소, SoftPatch는 1.8% 감소로 훨씬 안정적.

의의 및 한계

SoftPatch는 무감독 이상 탐지 분야에서 노이즈에 대한 내성을 강화한 첫 번째 연구로, 실제 산업 현장 적용 가능성을 높인다. 특히, 패치 단위 노이즈 제거와 메모리 기반 코어셋 재가중치를 통해 기존 방법들의 과신 문제를 완화하고, 정확도를 유지하는 데 성공했다. 그러나 패치 크기나 노이즈 디스크리미네이터 선택에 따라 성능이 변동할 수 있으며, 다양한 노이즈 유형에 대한 실험은 아직 부족하다.

실용적 활용

SoftPatch는 제조업, 의료 영상 분석, 자율주행 시스템 등에서 훈련 데이터에 노이즈가 포함된 상황에서도 신뢰성 있는 이상 탐지를 요구하는 분야에 적용 가능하다. 특히, 빠른 라인 전개와 데이터 필터링 없이도 이상을 탐지해야 하는 산업 품질 검사 시스템에 유용하다.