테스트 시간 적응 (Test-time adaptation, TTA)은 딥러닝 모델의 분포 변화 (distribution shifts)를 완화하기 위한 유망한 패러다임으로 부상했습니다. 그러나 이상 탐지 분할 (anomaly segmentation)을 위한 기존의 TTA 접근 방식은 신뢰도 임계값 설정 (confidence thresholding)이나 엔트로피 최소화 (entropy minimisation)와 같은 픽셀 수준의 휴리스틱 (heuristics)에 의존하고 있어, 노이즈와 질감 변화 상황에서 구조적 일관성을 유지하는 데 한계가 있습니다. 또한, 이들은 일반적으로 이상 맵 (anomaly maps)을 평면적인 강도 필드 (flat intensity fields)로 취급하여, 복잡한 결함 기하학 (defect geometries)을 특징짓는 고차원적 공간 관계를 무시합니다.

본 논문에서는 위상 데이터 분석 (topological data analysis)의 도구인 지속성 호몰로지 (persistent homology)를 TTA 파이프라인에 통합하여, 적응 과정 동안 기하학적 및 구조적 일관성을 강제하는 새로운 프레임워크인 TopoTTA (Topological Test-Time Adaptation)를 소개합니다. 이상 점수 맵 (anomaly score maps)에 다층 큐비컬 복합체 여과 (multi-level cubical complex filtration)를 적용함으로써, TopoTTA는 경량 테스트 시간 분류기 (test-time classifier)를 안내하는 견고한 위상적 의사 라벨 (topological pseudo-labels)을 도출하며, 백본 모델 (backbone model)을 재학습시키지 않고도 분할 품질을 향상시킵니다. 이 접근 방식은 마스크 이진화 (mask binarisation)를 위해 특정 방법론에 종속적인 원시 점수 임계값 설정 (raw-score thresholding)에 의존하지 않고 연결성을 보존하며, 2D 및 3D 모달리티 (modalities) 모두에서 일반화가 가능합니다.

6개의 표준 벤치마크 (MVTec AD, VisA, Real-IAD, MVTec 3D-AD, AnomalyShapeNet, MVTec LOCO)에 걸친 광범위한 실험 결과, 최첨단 비지도 이상 탐지 및 분할 방법론 대비 평균 15%의 F1 점수 향상을 입증하였으며, 특히 복잡한 기하학적 또는 구조적 변화를 보이는 이상치에서 가장 큰 성능 향상을 보였습니다. 이러한 결과는 테스트 시간 적응에 위상적 추론 (topological reasoning)을 통합하는 것이 구조 인식 일반화 (structure-aware generalisation)를 위한 원칙적인 경로를 제공하며, 기하학적 학습 (geometric learning)과 견고한 적응 (robust adaptation) 사이의 간극을 메워준다는 것을 시사합니다.