보지 못한 이상 찾기
정상 예시는 많지만 이상 예시는 부족하고 가능한 이상을 모두 확보하기도 어렵다. GANomaly는 학습 때 보지 못한 이상을 찾는 단일 클래스 설정을 다루며 이를 반지도 학습 관점으로 설명했다.
재구성과 재인코딩
첫 인코더가 입력 영상을 낮은 차원의 벡터로 바꾸고 디코더가 그 벡터에서 영상을 재구성한다. 추가 인코더는 생성된 영상을 다시 잠재 표현으로 옮긴다. 영상 생성과 잠재 공간 추론을 함께 학습하는 구성이다.
정상 분포와 거리
학습 중 영상과 잠재 벡터 사이의 거리를 줄여 정상 자료의 분포를 익힌다. 검사에서는 학습한 분포에서 벗어난 큰 거리 값을 이상 신호로 해석하며 원 연구는 여러 영역의 벤치마크에서 방법을 평가했다.