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 での各手法の画像レベル AUROC（表 9）とピクセルレベル AUROC・AU-PR（表 10）を集計。画像レベルではメモリーバンク型が最も有効な一方、ピクセルレベルの異常検出は苦手と分析。
- 製造現場から「有望な設定（promising setting）」を抽出し、その設定のもとで既存手法を見直した。
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）。
先行レビューのうち、Czimmermann ら（2020）は従来手法が中心で深層学習の議論が少なく、Tao ら（2022）は教師なしの異常位置特定に焦点を当てたものでした。本サーベイは Tao らの 2 倍の IAD データセットを扱い、画像レベルとピクセルレベルの両方の指標で、既存手法の性能を横断的に比較しています。
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）
- 指標：画像レベル AUROC（表 9）、ピクセルレベル AUROC・AU-PR（表 10）
- 比較対象：PatchCore、RD4AD、DRAEM、FastFlow、AST、IKD、MemSeg など
主な数値結果
下の表 9 から代表的な手法を抜き出しました（MVTec AD 15 クラスの平均、画像レベル AUROC）。
| 手法 | 構造 | 画像レベル AUROC（平均） |
|---|---|---|
| PatchCore | メモリーバンク型 | 0.992 |
| PatchCore（アンサンブル） | メモリーバンク型 | 0.996 |
| AST | 教師‑学生型 | 0.992 |
| FastFlow | 分布マップ型 | 0.994 |
論文は表 9・表 10 と図 7 から、次のように分析しています。
- 画像レベルの異常検知では、メモリーバンク型が最も有効なネットワーク設計。ただし、ピクセルレベルの異常検出は不得手。
- 画像分類の性能が近い手法どうしでも、ピクセルレベルのセグメンテーションでは大きな差が出る（図 7）。
- アンサンブル学習によって、最先端手法の性能は大きく向上する。
- SSPCAB は最先端手法にそのまま組み込め、再構築系手法の性能を大きく高める。
- 少数ショット IAD と通常の IAD の性能差は縮まりつつある。
- アンサンブルなしでは、MemSeg が画像レベルの分類で SOTA、DRAEM がピクセルレベルのセグメンテーションで他手法を上回る。どちらも U-Net によるセグメンテーションモジュールを持ち、論文はセグメンテーションモジュールが異常検知に有効だと結論づけている。
- セグメンテーションでは AU-ROC より AU-PR が重要で、ピクセルレベルの AU-PR では再構築系手法が他を上回る（表 10）。
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。
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
製造ラインでは検査対象が次々と流れてくるため、精度だけでなく推論速度も問われる、と論文は指摘しています。製造現場から抽出した「有望な設定」のもとで既存手法を見直したことで、研究上の評価と現場の要件とを結びつけて議論できるようになりました。 -
技術選定の目安（論文の分析から）
- 画像レベルの良否判定が主目的 → メモリーバンク型（PatchCore など）
- ピクセルレベルで欠陥の位置・形を捉えたい → 再構築系や、セグメンテーションモジュールを持つ手法（DRAEM、MemSeg など）
- 異常サンプルが集まらない → 異常合成系（CutPaste、DRAEM、MemSeg など）
今後の研究方向（論文の提言）
- マルチモーダルな IAD データセット：実際の組立ラインでは RGB 画像だけでは足りず、X 線や超音波などの情報も使うべき。
- 推論速度と精度の両立：ラインを流れてくる検査対象に即座に判定を返せる手法は少ない。多目的の進化的ニューラルアーキテクチャ探索で最適なトレードオフを探すのが有望。
- 産業画像のための事前学習モデル：多くの手法は ImageNet で事前学習したモデルで特徴を取り出すため、特徴のずれ（feature drift）が避けられない。
- ピクセル単位の注釈つき教師ありデータセット：教師なし設定への偏りが、セグメンテーション系手法の発展を抑えている。
- 異常サンプルの合成：ほとんどの生産ラインは不良が少なく、異常サンプルを大量に集めるのは難しい。
- 軽量で効率のよいモデル：精度ばかりが重視され、モデルの容量や効率が見落とされてきた。
- 産業画像と医用画像の統一：両者はデータと実験設定に共通点が多いが、統一的に扱う研究はまだ少ない。
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で、産業画像異常検知の手法を総合的に整理しました。MVTec AD での性能の集計からは、画像レベルではメモリーバンク型が強い一方、ピクセルレベルでは再構築系やセグメンテーションモジュールを持つ手法が優れるなど、手法ごとの得手不得手が見えてきます。製造現場から抽出した「有望な設定」と、今後の研究方向の提言は、学術研究と現場の実装をつなぐ手がかりになります。
