生成モデルによる異常検知は，正常画像のみで学習したモデルで，入力画像と再構成画像の差異により異常画像であるかどうかを判断する方法が一般的である．しかし，既存の生成モデルでは再構成画像が不鮮明であったり，元の画像から回転するなどの問題がありパッチベースのモデルや潜在変数空間を使用したモデルに比べて異常検知の性能が劣っている．工業用製品における欠陥品の検出など現実世界の異常検知では，検出対象の物体の向きが同一でないことや，再構成画像が不鮮明なことによる微小な傷の見逃しにより，既存の生成モデルでは異常の検出に失敗することがある． そこで，我々は鮮明な再構成が可能であるDenoising Diffusion Probabilistic Models(DDPM)をベースのモデルとして，異常検知で拡散過程を使用しない方法により，画像データの回転に対して頑健な異常検知を可能にした．本研究では工業用製品のデータセットであるMVTeC ADを使用しモデルの評価を行い，既存の生成モデルによる性能を大幅に上回る0.92のAUROCを達成した．
