본 논문은 정상 이미지로만 학습하여 이상 이미지를 감지하는 시각적 이상 감지(VAD) 분야에서, 개념 병목 모델(CBM)을 활용하여 이상 현상에 대한 해석 가능한 설명을 제공하는 새로운 접근 방식을 제안합니다. 구체적으로, (i) VAD를 위한 CBM 연구를 지원하는 개념 데이터셋 개발, (ii) 개념 기반 및 시각적 설명을 모두 생성하는 CBM 아키텍처 개선, (iii) 희귀한 이상 샘플에 대한 의존성을 최소화하는 VAD 패러다임을 유지하면서 인공 이상을 합성하는 파이프라인 도입을 통해, 기존 VAD 모델의 한계를 극복하고 해석 가능성을 높이는 것을 목표로 합니다. 제안하는 CONVAD(Concept-Aware Visual Anomaly Detection)는 기존 VAD 방법과 유사한 성능을 보이면서, 더욱 풍부하고 개념 중심적인 설명을 제공하여 VAD 시스템에 대한 신뢰도를 향상시킵니다.
