技術ブログ：産業画像異常検知最前線：ディープラーニングによる全体像と実装指針
kotai2003原題: Deep Industrial Image Anomaly Detection: A Survey
著者: Jiaqi Liu, Guoyang Xie, Jinbao Wang, Shangnian Li, Chengjie Wang, Feng Zheng & Yaochu Jin
https://link.springer.com/article/10.1007/s11633-023-1459-z
TL;DR（3行まとめ）
- 監視レベル（教師なし・教師あり・少数ショット等）とネットワーク構造を組み合わせたタクソノミーで、IAD 手法を体系的に整理。
- MVTec AD など 12 種類のベンチマークで評価し、メモリーバンク型が画像レベルで 98.2 % 以上の AUROC、AST がピクセルレベルで 93.5 % の IoU を達成。
- 「プロミシング・セッティング」を提案し、リアルタイム・エッジ展開を見据えた産業応用へのロードマップを示した。
はじめに
製造ラインにおける品質管理は、微細な欠陥を見逃さないことが求められます。従来は人手による目視検査が主流でしたが、画像認識の精度が飛躍的に向上したディープラーニングの導入により、産業画像異常検知（Industrial Image Anomaly Detection, IAD） が現実的な選択肢となりつつあります。
しかし、研究コミュニティは「ネットワークアーキテクチャ」や「教師あり／なしの監視レベル」だけで手法を分類し、産業現場が直面する「リアルタイム性」「データ不足」「エッジ実装」などの要件と結びつけた全体像が散在しています。本稿は 2024 年に発表された Liu らのサーベイ（Machine Intelligence Research, vol.21, pp.104‑135）を基に、学術的知見と産業実装のギャップを埋めるフレームワークを提示します。
背景と関連研究
IAD の研究は大きく二つに分かれます。
- 教師なし再構築系：入力画像を再構築し、再構築誤差で異常を判定（例：DRAEM、FastFlow）。
- 特徴埋め込み系：正常画像から埋め込み空間を学習し、距離尺度で異常を測定（例：PatchCore、RD4AD）。
先行レビュー（例：Czimmermann et al., 2022）は、主に手法の「教師／なし」分類に止まり、データセットや評価指標の網羅性が不足していました。その結果、産業ラインで必要とされる 高速推論 や 少数ショット適応 の評価が曖昧でした。本サーベイは、使用データセット数を約 2 倍に拡張し、MVTec AD に加えて実製造ラインから取得した 12 種類のベンチマークを網羅。さらに、画像レベル AUROC と ピクセルレベル IoU/AP の両指標を同時に示すことで、手法間比較を定量化しています。
核心アイデア
本調査の中心概念は 「監視レベル × ネットワーク構造」タクソノミー です。監視レベルは以下の 5 群に分割します。
| 監視レベル | 例 |
|---|---|
| 教師なし | RD4AD、PatchCore |
| 教師あり | AST、IKD |
| 少数ショット | Few‑shot IAD 系列 |
| ノイズ付与 | Noisy AD 系列 |
| 異常合成 | Anomaly synthesis 系列 |
ネットワーク構造は メモリーバンク型・教師‑学生型・生成モデル型 に細分化し、各構造に対応するロス関数（Cosine similarity、Context similarity、L2 など）を合わせて可視化。これにより、「どの監視レベルでどの構造が最適か」 を直感的に判断できる設計指針が得られます。
手法の詳細
1. タクソノミーの構成要素
- メモリーバンク型（例：PatchCore、RD4AD）
正常画像の特徴ベクトルをメモリに蓄積し、テスト時に最も近いベクトルとの距離を異常スコアとする。RD4AD は マルチスケール特徴融合（MFF） と One‑class bottleneck（OCB） を導入し、単一の教師‑学生ペアで高精度を実現しています。
-
教師‑学生型（例：AST、IKD）
教師ネットワークが特徴を抽出し、学生ネットワークがそれを再現。AST は 非対称構造 と 正規化フロー を組み合わせ、再構成誤差のバイアスを低減。IKD は Context similarity loss（CSL） と Adaptive hard sample mining（AHSM） を加え、過学習を抑制しています。 -
生成モデル型（例：Diffusion、GAN 系列）
正常データから生成モデルを学習し、生成困難領域を異常とみなす手法。特に Diffusion は高品質なサンプル生成が可能で、異常シナリオシミュレーション に有用です。
2. ロス関数と最適化
| 手法 | ロス関数 |
|---|---|
| RD4AD | Cosine similarity |
| IKD | Context similarity |
| AST | L2 + log‑likelihood |
| PatchCore | 特徴距離（L2） |
ロス関数は 教師‑学生型 では特徴一致度を、 メモリーバンク型 では埋め込み空間の距離を、 生成モデル型 では画素レベルの再構築誤差を最小化します。これにより、監視レベルごとに最適化の焦点が変わることが明示されています。
図6 に示すように、教師‑学生の対比フローは「正常画像または異常画像 → 再構築ネットワーク → 再構築ロスで学習 → 推論時に元画像と再構築画像を比較」して異常スコアを算出します。
実験と結果
評価設定
- ベンチマーク：MVTec AD（15 クラス）＋実製造ラインから取得した 7 クラス（合計 12 データセット）
- 指標：画像レベル AUROC、ピクセルレベル IoU、AP（average precision）
- 比較対象：PatchCore、RD4AD、DRAEM、FastFlow、AST、IKD、MemSeg など
主な数値結果
| 手法 | 画像レベル AUROC | ピクセルレベル IoU |
|---|---|---|
| PatchCore | 98.2 % | – |
| RD4AD | 98.1 % | – |
| AST | – | 93.5 % |
| MemSeg (単体) | SOTA (画像レベル) | – |
| SSPCAB (組み込み) | – | +5.3 % AP 向上 |
- 表 9‑10 に示す統計 では、メモリーバンク型が画像レベルで最も高い AUROC（98.2 % 以上）を示す一方、ピクセルレベルの細分化では AST の非対称教師‑学生構造 が 93.5 % の IoU でトップに立ちました。
- SSPCAB を再構築系手法に組み込むと、平均 AP が 5.3 % 向上し、少数ショット IAD と従来 IAD の性能差が縮小していることが確認されました。
Table 9: Image AUROC (MVTec AD)
Memory bank
| Method | Bottle | Cable | Capsule | Carpet | Grid | Hazelnut | Leather | Metal nut | Pill | Screw | Tile | Toothbrush | Transistor | Wood | Zipper | Avg |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| PatchCore | 1.000 | 0.997 | 0.981 | 0.982 | 0.983 | 1.000 | 1.000 | 1.000 | 0.971 | 0.990 | 0.989 | 0.989 | 0.997 | 0.999 | 0.997 | 0.992 |
| PatchCore ensemble | – | – | – | – | – | – | – | – | – | – | – | – | – | – | – | 0.996 |
| CFA | 1.000 | 0.998 | 0.973 | 0.973 | 0.992 | 1.000 | 1.000 | 1.000 | 0.979 | 0.973 | 0.994 | 1.000 | 1.000 | 0.997 | 0.996 | 0.993 |
| FAPM | 1.000 | 0.995 | 0.986 | 0.993 | 0.980 | 1.000 | 1.000 | 1.000 | 0.960 | 0.952 | 0.994 | 1.000 | 1.000 | 0.993 | 0.995 | 0.990 |
| N-pad | 1.000 | 0.995 | 0.994 | 0.993 | 0.987 | 1.000 | 1.000 | 1.000 | 0.980 | 0.974 | 1.000 | 1.000 | 0.996 | 0.996 | 0.993 | 0.994 |
| N-pad ensemble | 1.000 | 0.998 | 0.995 | 1.000 | 0.986 | 1.000 | 1.000 | 1.000 | 0.972 | 0.989 | 1.000 | 0.997 | 1.000 | 0.994 | 0.998 | 0.995 |
| MSPB | 1.000 | 0.988 | 0.972 | 0.934 | 1.000 | 0.996 | 0.993 | 0.978 | 0.977 | 0.941 | 0.962 | 1.000 | 0.989 | 0.997 | 0.995 | 0.981 |
| SPDI | – | – | – | – | – | – | – | – | – | – | – | – | – | – | – | 0.990 |
| SPADE | – | – | – | – | – | – | – | – | – | – | – | – | – | – | – | 0.855 |
| [62] | – | – | – | – | – | – | – | – | – | – | – | – | – | – | – | 0.921 |
| SOMAD | 1.000 | 0.988 | 0.988 | 1.000 | 0.939 | 1.000 | 1.000 | 0.997 | 0.986 | 0.955 | 0.987 | 0.986 | 0.945 | 0.992 | 0.977 | 0.979 |
| RD4AD | 1.000 | 0.950 | 0.963 | 0.989 | 1.000 | 0.999 | 1.000 | 1.000 | 0.966 | 0.970 | 0.993 | 0.995 | 0.967 | 0.992 | 0.985 | 0.985 |
| STFPM | – | – | – | – | – | – | – | – | – | – | – | – | – | – | – | 0.955 |
Teacher-student
| Method | Bottle | Cable | Capsule | Carpet | Grid | Hazelnut | Leather | Metal nut | Pill | Screw | Tile | Toothbrush | Transistor | Wood | Zipper | Avg |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Uninformed students | 0.918 | 0.865 | 0.916 | 0.695 | 0.819 | 0.937 | 0.819 | 0.895 | 0.935 | 0.928 | 0.912 | 0.863 | 0.701 | 0.725 | 0.933 | 0.857 |
| MKD | 0.994 | 0.892 | 0.805 | 0.793 | 0.780 | 0.984 | 0.951 | 0.736 | 0.827 | 0.833 | 0.916 | 0.922 | 0.856 | 0.943 | 0.932 | 0.877 |
| STPM | 1.000 | 0.996 | 0.930 | 0.987 | 1.000 | 0.998 | 1.000 | 1.000 | 0.981 | 0.968 | 0.999 | 0.979 | 0.983 | 0.993 | 0.993 | 0.987 |
| AST | 1.000 | 0.985 | 0.997 | 0.975 | 0.991 | 1.000 | 1.000 | 0.985 | 0.991 | 0.997 | 1.000 | 0.966 | 0.993 | 1.000 | 0.991 | 0.992 |
Distribution map
| Method | Bottle | Cable | Capsule | Carpet | Grid | Hazelnut | Leather | Metal nut | Pill | Screw | Tile | Toothbrush | Transistor | Wood | Zipper | Avg |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Rippel et al. | 0.998 | 0.955 | 0.938 | 1.000 | 0.817 | 0.996 | 0.997 | 0.947 | 0.884 | 0.854 | 0.998 | 0.964 | 0.963 | 0.986 | 0.978 | 0.953 |
| Rippel et al. (2) | – | – | – | – | – | – | – | – | – | – | – | – | – | – | – | 0.971 |
| PEDENet | – | – | – | – | – | – | – | – | – | – | – | – | – | – | – | 0.928 |
| PFM | 1.000 | 0.988 | – | 1.000 | 0.980 | 1.000 | 1.000 | 1.000 | 0.965 | 0.918 | 0.996 | 0.886 | 0.978 | 0.995 | 0.974 | 0.975 |
| FYD | 1.000 | 0.953 | 0.925 | 0.988 | 0.989 | 0.999 | 1.000 | 0.999 | 0.945 | 0.901 | 0.988 | 1.000 | 0.992 | 0.994 | 0.975 | 0.977 |
| FastFlow | 1.000 | 1.000 | 1.000 | 1.000 | 0.997 | 1.000 | 1.000 | 1.000 | 0.994 | 0.978 | 1.000 | 0.944 | 0.998 | 1.000 | 0.995 | 0.994 |
| DifferNet | 0.990 | 0.959 | 0.869 | 0.929 | 0.840 | 0.993 | 0.971 | 0.961 | 0.888 | 0.963 | 0.994 | 0.986 | 0.911 | 0.998 | 0.951 | 0.949 |
| CS-Flow | 0.998 | 0.991 | 0.971 | 1.000 | 0.990 | 0.996 | 1.000 | 0.991 | 0.986 | 0.976 | 1.000 | 0.919 | 0.993 | 1.000 | 0.997 | 0.987 |
| CFLOW-AD | 0.989 | 0.975 | 0.988 | 0.990 | 0.988 | 0.990 | 0.996 | 0.988 | 0.984 | 0.991 | 0.965 | 0.988 | 0.952 | 0.950 | 0.991 | 0.982 |
| CS-Flow+AltUB | 1.000 | 0.978 | 0.981 | 0.992 | 1.000 | 1.000 | 1.000 | 0.995 | 0.970 | 0.917 | 0.999 | 0.994 | 0.952 | 0.990 | 0.985 | 0.984 |
図7 に示すように、実験結果の可視化では、代表的手法の異常スコアヒートマップが原画像と比較され、局所的な欠陥領域が鮮明にハイライトされています。
計算コスト
- メモリーバンク型は 推論時間 0.8 ms / 画像 で高速だが、メモリ使用量が大きい。
- 教師‑学生型は 1.2 ms / 画像、追加の正規化フローにより若干の遅延が発生。
- 生成モデル型は 2–3 ms / 画像 とやや重いが、異常シナリオ生成 の付加価値がある。
この研究が意味すること
- 学術的インパクト
タクソノミーにより、研究者は「監視レベル × ネットワーク構造」の組み合わせで手法を位置付けられるようになり、論文間比較が統一的に行える基盤が整いました。 - 産業的インパクト
「プロミシング・セッティング」―高速（30 fps 以上）・低遅延（< 1 ms）・エッジGPU への最適化という実装要件を明文化し、PatchCore のエッジデプロイや AST の非対称構造を組み込んだ リアルタイム欠陥検査 への道筋を示しました。 -
技術選定指針
- 画像レベルの高速検査が主目的 → メモリーバンク型（PatchCore、RD4AD）
- ピクセルレベルの高精度ローカライズが必要 → 教師‑学生型（AST、IKD）
- 異常シナリオのシミュレーションやデータ拡張が目的 → 生成モデル型（Diffusion）
限界と今後の展望
- データドメインの偏り：ベンチマークは主に MVTec 系列に依存しており、実製造ライン特有の照明変動やカメラノイズへの耐性評価が不足しています。
- プロミシング・セッティングの具体化不足：高速検査やエッジ展開の数値目標は示すものの、実装時の 功耗（消費電力）・スループット の標準化指標が未確立です。
- 計算コストと精度のトレードオフ：アンサンブル手法は SOTA を更新しますが、リアルタイム要求を満たすには 知識蒸留・プルーニング が必須です。
-
今後の研究方向
- マルチドメイン統合モデル：ドメイン適応付きメモリーバンクと生成拡張をハイブリッド化。
- 少数ショット蒸留：ラベル依存度 < 5 % を目指す自己教師あり事前学習の組み込み。
- エッジAI最適化：プルーニング・量子化で推論時間を 0.5 ms 未満に短縮し、産業ロボットへの直接組み込みを実証。
- 標準化メトリクス：遅延上限・消費電力・スループットを業界横断でベンチマーク化し、国際規格化を提案。
まとめ
本サーベイは、監視レベル × ネットワーク構造 の二軸タクソノミーを軸に、産業画像異常検知手法を総合的に整理しました。MVTec AD を中心に 12 種類のベンチマークで実証し、メモリーバンク型が画像レベルで 98.2 % 超の AUROC、教師‑学生型がピクセルレベルで 93.5 % の IoU を記録するなど、手法ごとの得手不得手が明確化されています。さらに提案した「プロミシング・セッティング」は、リアルタイム性・エッジ展開・少数ショット適応 といった産業現場の実装要件を具体的に示し、学術研究と実装開発の橋渡しを可能にします。今後はドメインシフト耐性やエッジ最適化を追求し、真に現場で使える AI 異常検知システムの実装へと進むことが期待されます。
