최근의 이상 탐지 (Anomaly Detection) 방법론들은 MVTec과 같이 잘 정립된 데이터셋에서 완벽한 탐지 및 세그멘테이션 (segmentation) 점수를 달성하고 있습니다. 그러나 이러한 방법들 중 상당수는 일관된 객체 크기, 시점 (viewpoint), 배경, 조명, 그리고 중앙 배치와 같은 기본 가정들이 위배될 때 어려움에 직면합니다. 이러한 변동 사항이 발생하면 이상 탐지 방법론들을 많은 실제 환경 (real-world scenarios)에서 사용할 수 없게 됩니다. 이러한 한계를 해결하기 위해, 우리는 세 가지 핵심 기여를 소개합니다: (1) 전경-배경 마스킹 (foreground-background masking)을 사용하여 객체를 분리하는 시각적 프롬프팅 (visual prompting) 파이프라인; (2) 도메인 적응성 (domain adaptability)을 향상시키기 위해 학생-교사 (student-teacher) 모델에서 교사 (teacher) 모델의 동결을 해제하는 메커니즘; (3) 이상 탐지 성능을 높이기 위해 확산 모델 (diffusion)로 생성된 합성 이미지를 활용하는 데이터 증강 (data augmentation) 전략입니다. 우리는 Masked Multiscale Reconstruction (MMR) 모델을 백본 (backbone)으로 사용하여, 까다로운 AeBAD 데이터셋에서 기존의 최첨단 (state-of-the-art) 성능보다 3.5 퍼센트 포인트 향상된 결과를 달성했습니다.