오늘 공유드릴 논문은
Non-Parametric Outlier Synthesis (NPOS)
https://arxiv.org/pdf/2303.02966.pdf
로 이전에 소개드린 Dream the Impossible의 기반이 되는 연구로, artificial OoD data를 generating하여 OoDD문제를 해결해내는 연구입니다. (동일저자였네요)
본 논문에서 가장 해결하고 싶은 문제는
"how to provide OOD data for training without explicit knowledge about unknowns"
로 OoD에 대한 정보가 없는 상태로 OoD Data를 만들어 낼 때 어떻게 그럴싸한 OoD data를 잘 만들어낼 수 있을까 ? 를 해결하고 싶었던 것 같습니다.
프레임워크를 살펴보면
논문에서는 이 두가지 능력을 다 만족하는 모델을 만들고 싶고, 특히 2번을 non-parametric outlier synthesis를 통해 해결하고자 합니다.
이전에 소개드린 Dream the Impossible는 사실상 NPOS의 대부분을 비슷하게 가져갔다고 보시면 되는데, Dream the Impossible은 diffusion을 통해 embedding space -> pixel space로 확장한 것으로 이해했습니다.
근데 성능을 보면 diffusion을 통해 high-quality image를 생성하는 것이 훨씬 성능이 좋아보이는 것 같네요.