본 논문은 기존의 의미론적 또는 도메인 이동과 같은 OOD(Out-of-Distribution) 탐지 문제가 아닌, 데이터 분포의 미묘한 변화인 공변량 이동에 초점을 맞춘 OOD 탐지 방법을 제시합니다. 미묘한 공변량 이동을 탐지하는 것이 in-distribution 경계에 대한 이해를 향상시키고, 궁극적으로 OOD 탐지 성능을 높일 수 있다는 가설을 바탕으로, Batch Normalization을 사용하는 적대적 판별기를 활용합니다. 실제 샘플과 적대적 샘플은 고유한 배치 통계를 가진 구별되는 도메인을 형성하는데, 이러한 특징을 이용하여 DisCoPatch라는 비지도 학습 기반의 Adversarial Variational Autoencoder (VAE) 프레임워크를 제안합니다. 추론 과정에서 동일 이미지의 패치들을 배치로 사용하여 일관된 데이터 분포를 유지하고, VAE의 부정확한 출력(생성 및 재구성)을 음성 샘플로 사용하여 판별기의 성능을 향상시킵니다. 결과적으로, ImageNet-1K(-C)에서 95.5% AUROC, Near-OOD 벤치마크에서 95.0%의 성능을 달성하며 기존 방법들을 능가하는 동시에 25MB의 작은 모델 크기와 낮은 지연 시간을 통해 실용적인 OOD 탐지 솔루션을 제공합니다. 코드는 공개되어 있습니다.
