본 논문은 텍스트-이미지 확산 모델을 사용하여 OOD (Out-of-Distribution) 샘플을 합성하는 새로운 프레임워크인 GOOD (Guided OOD Generation)을 제안합니다. 기존 방법의 한계점인 의미적 불안정성과 부적절한 이동 다양성을 해결하기 위해, GOOD는 기성 ID (In-Distribution) 분류기를 사용하여 확산 샘플링 궤적을 OOD 영역으로 직접 안내합니다. Image-level 및 feature-level의 이중 안내를 통해 더욱 제어 가능하고 다양한 OOD 샘플 생성을 가능하게 합니다. 또한, 이미지와 특징 불일치를 적응적으로 결합하는 통합 OOD 점수를 도입하여 탐지 견고성을 향상시킵니다. GOOD으로 생성된 샘플로 훈련하여 OOD 탐지 성능을 크게 향상시킬 수 있음을 입증합니다.
시사점, 한계점
•
시사점:
◦
OOD 샘플 생성을 위한 새로운 프레임워크 제안 (GOOD).
◦
Image-level 및 feature-level 이중 안내를 통한 OOD 샘플링 제어 및 다양성 향상.
