少数サンプルで異常検知精度が向上、製造業の検査工程に転機

香港城市大学などの研究チームは、少数の学習データで高精度な外観異常検知を可能にするフレームワーク「CMDS-AD」を発表した。産業用ベンチマークデータセット「MVTec 3D-AD」において、正常品サンプル1枚のみを用いた「1-shot」条件下で、画像レベルの異常検知精度（I-AUROC）を従来比5.7ポイント、領域レベルの精度（AUPRO）を2.0ポイント改善し、最高水準を更新した。

従来の異常検知AIは、製品カテゴリーごとに数百から数千枚の正常品画像を学習データとして必要とするため、多品種少量生産の現場への適用が困難であった。新製品の立ち上げ時や試作品の検査段階では、正常品サンプルの絶対数が少なく、学習済みモデルの構築自体が現実的でないケースも多い。CMDS-AD はこの課題に正面から取り組んでいる。

技術的な核心は、RGB画像と3D形状データ（点群・法線マップ）を組み合わせるクロスモーダルアプローチにある。特に、事前学習済みの拡散モデルを法線推定器として活用することで、低周波の構造的テンプレートと高周波の微細欠陥信号を分離して処理する「デュアルストリーム」構造を実現した。従来手法では、物体全体の大域的構造と表面の微小傷を同一のパイプラインで処理するため、見逃しと誤検知が両立しにくかった。さらに、LoRA（低ランク適応）技術を組み込んだ拡散モデルで学習用RGB画像を自動生成し、データ不足を補う仕組みも備える。

ビジネスへの影響は製造業の品質管理部門に最も直接的に現れる。自動車部品、電子基板、医薗品包装など、多品種少量で生産ロットが頻繁に切り替わる製造ラインでは、検査AIの初期学習コストが普及の障壁となってきた。CMDS-AD の実用化が進めば、新ラインの立ち上げから検査AIの稼働開始までのリードタイムを大幅に短縮できる。改善対象となるKPIとして、不良品流出率（エスケープ率）、検査工程の内製化比率、検査員一人あたりの検査点数などが挙げられる。

食品・化粧品業界においても応用余地は大きい。同研究では菓子類の外観異常を扱うデータセット「EyeCandies」でもI-AUROCが7.7ポイント改善されており、食品の形状崩れや異物混入の検出における有効性が示されている。食品安全規制が厳格化する中、少ないサンプルで検査AIを立ち上げられる能力は、季節限定品や新商品への対応力に直結する。

一方、実装面での課題も残る。RGB画像に加えて3Dスキャナーや深度センサーを製造ラインに組み込む設備投資が必要となるほか、点群データの処理には相応の計算リソースを要する。拡散モデルを用いたデータ拡張の推論時間がリアルタイム検査の要件を満たすかどうかも、現場導入前に検証が必要な点である。

研究チームは今後、より広範な産業カテゴリーへの適用検証を進めるとしており、セメント・ガラス・半導体ウェハーなど表面欠陥の多様な素材への展開が期待される。品質管理のデジタル化を推進する製造業各社にとって、本技術の動向は注視に値する。