論文の概要: Defect-GAN: High-Fidelity Defect Synthesis for Automated Defect Inspection

• arxiv url: http://arxiv.org/abs/2103.15158v1
• Date: Sun, 28 Mar 2021 15:53:34 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-30 15:00:38.874630
• Title: Defect-GAN: High-Fidelity Defect Synthesis for Automated Defect Inspection
• Title（参考訳）: 欠陥GAN:自動欠陥検査のための高忠実欠陥合成
• Authors: Gongjie Zhang, Kaiwen Cui, Tzu-Yi Hung, Shijian Lu
• Abstract要約: Defect-GANは、現実的で多様な欠陥サンプルを生成する自動欠陥合成ネットワークです。 デフェメントと修復プロセスを通じて学習し、デフェメントは通常の表面画像に欠陥を生成する。 また、欠陥のバリエーションを模倣し、生成された欠陥の位置とカテゴリを柔軟に制御できます。
• 参考スコア（独自算出の注目度）: 34.699695525216185
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Automated defect inspection is critical for effective and efficient maintenance, repair, and operations in advanced manufacturing. On the other hand, automated defect inspection is often constrained by the lack of defect samples, especially when we adopt deep neural networks for this task. This paper presents Defect-GAN, an automated defect synthesis network that generates realistic and diverse defect samples for training accurate and robust defect inspection networks. Defect-GAN learns through defacement and restoration processes, where the defacement generates defects on normal surface images while the restoration removes defects to generate normal images. It employs a novel compositional layer-based architecture for generating realistic defects within various image backgrounds with different textures and appearances. It can also mimic the stochastic variations of defects and offer flexible control over the locations and categories of the generated defects within the image background. Extensive experiments show that Defect-GAN is capable of synthesizing various defects with superior diversity and fidelity. In addition, the synthesized defect samples demonstrate their effectiveness in training better defect inspection networks.
• Abstract（参考訳）: 自動欠陥検査は、先進的な製造における効率よく効率的なメンテナンス、修理、運用に重要である。 一方で、特にこのタスクにディープニューラルネットワークを採用する場合、欠陥サンプルの欠如によって、自動欠陥検査が制限されることが多い。 本稿では,正確でロバストな欠陥検査ネットワークをトレーニングするために,現実的で多様な欠陥サンプルを生成する自動欠陥合成ネットワークであるdefy-ganを提案する。 欠陥-ganはデファクトと修復プロセスを通じて学習し、デファクトは通常の表面画像に欠陥を生成し、修復は欠陥を除去して正常な画像を生成する。 テクスチャや外観の異なる様々な画像背景において現実的な欠陥を生成するために、新しい合成層ベースのアーキテクチャを用いる。 また、欠陥の確率的なバリエーションを模倣し、画像背景内の生成された欠陥の位置やカテゴリを柔軟に制御することができる。 大規模な実験により、欠陥GANは様々な欠陥を優れた多様性と忠実さで合成できることが示された。 さらに, 合成欠陥サンプルは, より良い欠陥検査ネットワークの訓練に有効であることを示した。

関連論文リスト

• Few-shot Defect Image Generation based on Consistency Modeling [1.8029094254659288]
  DefectDiffuは、複数の製品にまたがる欠陥の一貫性をモデル化する、新しいテキスト誘導拡散法である。 DefectDiffuは、世代品質と多様性の点で最先端の手法を超越している。
  論文  参考訳（メタデータ） (2024-08-01T08:29:42Z)
• Defect Spectrum: A Granular Look of Large-Scale Defect Datasets with Rich Semantics [27.03052142039447]
  Defect Spectrumは、広範囲の産業的欠陥に対して、正確でセマンティックな、そして大規模なアノテーションを提供する包括的なベンチマークである。 4つの重要な産業ベンチマークに基づいて、私たちのデータセットは既存のアノテーションを洗練し、単一のイメージ内の複数の欠陥タイプを識別する、リッチなセマンティックな詳細を導入します。 また、高品質で多様な欠陥画像を作成するために設計された2段階拡散ベースジェネレータであるDefect-Genを紹介する。
  論文  参考訳（メタデータ） (2023-10-26T11:23:24Z)
• CINFormer: Transformer network with multi-stage CNN feature injection for surface defect segmentation [73.02218479926469]
  表面欠陥分割のための多段CNN特徴注入を用いた変圧器ネットワークを提案する。 CINFormerは、入力画像のマルチレベルCNN機能をエンコーダ内のトランスフォーマーネットワークの異なるステージに注入する、シンプルだが効果的な機能統合機構を提供する。 さらに、CINFormerはTop-Kセルフアテンションモジュールを提供し、欠陥に関するより重要な情報を持つトークンにフォーカスする。
  論文  参考訳（メタデータ） (2023-09-22T06:12:02Z)
• Few-Shot Defect Image Generation via Defect-Aware Feature Manipulation [19.018561017953957]
  そこで本研究では, 難易度の高いいくつかの症例において, 第一の欠陥画像生成法を提案する。 まず、欠陥のない画像をバックボーンとしてデータ効率の良いStyleGAN2をトレーニングする。 第二に、欠陥を意識した残留ブロックを背骨に取り付け、適切な欠陥マスクを生成することを学習する。
  論文  参考訳（メタデータ） (2023-03-04T11:43:08Z)
• Towards Robust Blind Face Restoration with Codebook Lookup Transformer [94.48731935629066]
  ブラインドフェイスの修復は、しばしば補助的なガイダンスを必要とする非常に不適切な問題である。 学習した個別のコードブックを小さなプロキシ空間に配置し,ブラインドフェイスの復元をコード予測タスクとすることを示す。 我々は、低品質顔のグローバルな構成とコンテキストをモデル化するトランスフォーマーベースの予測ネットワーク、CodeFormerを提案する。
  論文  参考訳（メタデータ） (2022-06-22T17:58:01Z)
• Improving robustness against common corruptions with frequency biased models [112.65717928060195]
  目に見えない画像の腐敗は 驚くほど大きなパフォーマンス低下を引き起こします 画像の破損タイプは周波数スペクトルで異なる特性を持ち、ターゲットタイプのデータ拡張の恩恵を受けます。 畳み込み特徴マップの総変動(TV)を最小限に抑え、高周波堅牢性を高める新しい正規化方式を提案する。
  論文  参考訳（メタデータ） (2021-03-30T10:44:50Z)
• Automatic Defect Detection of Print Fabric Using Convolutional Neural Network [0.0]
  画像処理と機械学習技術を用いた自動欠陥検出システムに関する現代の研究は異なっている。 研究チームは、織り中にリアルタイムな欠陥検出システムを構築することもできた。 この研究は、プリントファブリックデータベースを開発し、深い畳み込みニューラルネットワークを実装することで、このギャップを埋めた。
  論文  参考訳（メタデータ） (2021-01-03T20:56:56Z)
• Salvage Reusable Samples from Noisy Data for Robust Learning [70.48919625304]
  本稿では,Web画像を用いた深部FGモデルのトレーニングにおいて,ラベルノイズに対処するための再利用可能なサンプル選択と修正手法を提案する。 私たちのキーとなるアイデアは、再利用可能なサンプルの追加と修正を行い、それらをクリーンな例とともに活用してネットワークを更新することです。
  論文  参考訳（メタデータ） (2020-08-06T02:07:21Z)
• Modeling and Enhancing Low-quality Retinal Fundus Images [167.02325845822276]
  低画質の眼底画像は臨床観察における不確実性を高め、誤診のリスクを引き起こす。 本稿では,グローバルな劣化要因を抑えるために,臨床指向の基盤拡張ネットワーク(cofe-Net)を提案する。 合成画像と実画像の両方の実験により、我々のアルゴリズムは網膜の細部を失うことなく、低品質の眼底画像を効果的に補正することを示した。
  論文  参考訳（メタデータ） (2020-05-12T08:01:16Z)
• Uneven illumination surface defects inspection based on convolutional neural network [4.475821533240529]
  本稿では,畳み込みニューラルネットワークを用いた表面画像欠陥検出手法を提案する。 銅帯および鋼板画像の欠陥検査実験により、畳み込みニューラルネットワークは、画像の前処理をせずに自動的に特徴を学習できることが示されている。
  論文  参考訳（メタデータ） (2019-05-16T12:18:42Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。