본 논문은 기존의 시각적 이상치 분할(visual anomaly segmentation) 방식에서 사용되는 비전-언어 모델 대신 순수 시각 기반 모델을 활용하는 새로운 패러다임을 제시합니다. 이상치 분할 문제를 변화 분할(change segmentation) 문제로 통합하여, 기존 이미지 데이터셋으로부터 객체 수준 및 국부 영역 변화를 특징으로 하는 대규모 합성 이미지 쌍을 생성합니다. 이 합성 데이터셋을 이용하여 하나의 프롬프트만으로 학습하는 메타학습 기반의 보편적 이상치 분할 프레임워크(MetaUAS)를 제안합니다. 기하학적 변화를 다루기 위해 소프트 특징 정렬 모듈을 제안하며, 특별한 이상치 탐지 데이터셋이나 사전 훈련된 비전-언어 모델 없이도 다양한 이상치를 효과적으로 분할합니다. 정상 이미지 하나만으로 이상치를 분할하며, 언어의 안내 없이 학습이 필요 없습니다. 실험 결과, 기존 제로샷, 퓨샷, 심지어 풀샷 이상치 분할 방법들을 상당히 능가하는 성능을 보였습니다.
