論文の概要: Semi-Supervised Defect Detection via Conditional Diffusion and CLIP-Guided Noise Filtering

• arxiv url: http://arxiv.org/abs/2507.05588v1
• Date: Tue, 08 Jul 2025 01:53:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-09 16:34:37.479568
• Title: Semi-Supervised Defect Detection via Conditional Diffusion and CLIP-Guided Noise Filtering
• Title（参考訳）: 条件拡散とCLIP誘導雑音フィルタによる半監督欠陥検出
• Authors: Shuai Li, Shihan Chen, Wanru Geng, Zhaohua Xu, Xiaolu Liu, Can Dong, Zhen Tian, Changlin Chen,
• Abstract要約: 本稿では条件拡散(DSYM)に基づく半教師付き欠陥検出フレームワークを提案する。 条件拡散モデルでは,複数スケールの擬似欠陥サンプルを合成し,CLIPクロスモーダル特徴量に基づくノイズフィルタリング機構によりラベル汚染を緩和する。 本研究は,工業品質検査シナリオにおける欠陥検出のための高精度で低ラベル依存のソリューションを提供する。
• 参考スコア（独自算出の注目度）: 8.132909775584395
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In the realm of industrial quality inspection, defect detection stands as a critical component, particularly in high-precision, safety-critical sectors such as automotive components aerospace, and medical devices. Traditional methods, reliant on manual inspection or early image processing algorithms, suffer from inefficiencies, high costs, and limited robustness. This paper introduces a semi-supervised defect detection framework based on conditional diffusion (DSYM), leveraging a two-stage collaborative training mechanism and a staged joint optimization strategy. The framework utilizes labeled data for initial training and subsequently incorporates unlabeled data through the generation of pseudo-labels. A conditional diffusion model synthesizes multi-scale pseudo-defect samples, while a CLIP cross-modal feature-based noise filtering mechanism mitigates label contamination. Experimental results on the NEU-DET dataset demonstrate a 78.4% mAP@0.5 with the same amount of labeled data as traditional supervised methods, and 75.1% mAP@0.5 with only 40% of the labeled data required by the original supervised model, showcasing significant advantages in data efficiency. This research provides a high-precision, low-labeling-dependent solution for defect detection in industrial quality inspection scenarios. The work of this article has been open-sourced at https://github.com/cLin-c/Semisupervised-DSYM.
• Abstract（参考訳）: 産業品質検査の分野では、欠陥検出は特に自動車部品や医療機器などの高精度で安全に重要な分野において重要な要素である。 手動検査や初期の画像処理アルゴリズムに依存する従来の手法は、非効率性、高いコスト、限られた堅牢性に悩まされている。 本稿では,条件拡散(DSYM)に基づく半教師付き欠陥検出フレームワークを提案する。 このフレームワークは、ラベル付きデータを初期訓練に利用し、その後擬似ラベルの生成を通じてラベルなしデータを組み込む。 条件拡散モデルでは,複数スケールの擬似欠陥サンプルを合成し,CLIPクロスモーダル特徴量に基づくノイズフィルタリング機構によりラベル汚染を緩和する。 NEU-DETデータセットの実験結果は、従来の教師付き手法と同量のラベル付きデータを持つ78.4% mAP@0.5と、オリジナルの教師付きモデルで必要とされるラベル付きデータのわずか40%しか持たない75.1% mAP@0.5を示し、データ効率に大きな利点を示している。 本研究は,工業品質検査シナリオにおける欠陥検出のための高精度で低ラベル依存のソリューションを提供する。 この記事はhttps://github.com/cLin-c/Semisupervised-DSYM.comで公開されている。

関連論文リスト

• A Hybrid Framework for Statistical Feature Selection and Image-Based Noise-Defect Detection [55.2480439325792]
  本稿では,統計的特徴選択と分類技術を統合し,欠陥検出精度を向上させるハイブリッドフレームワークを提案する。 工業画像から抽出した55個の特徴を統計的手法を用いて解析した。 これらの手法をフレキシブルな機械学習アプリケーションに統合することにより、検出精度を改善し、偽陽性や誤分類を減らす。
  論文  参考訳（メタデータ） (2024-12-11T22:12:21Z)
• Trimming the Risk: Towards Reliable Continuous Training for Deep Learning Inspection Systems [10.121053770426759]
  産業は、製造検査に深層学習(DL)技術にますます依存している。 有限ラベル付きデータセットは 自然の変化を 包含しないことが多い 我々は,信頼性の高いデータ選択を用いてDLモデルを更新する,頑健なCTベースのメンテナンス手法を開発した。
  論文  参考訳（メタデータ） (2024-09-13T15:02:13Z)
• Unlearnable Examples Detection via Iterative Filtering [84.59070204221366]
  ディープニューラルネットワークは、データ中毒攻撃に弱いことが証明されている。 混合データセットから有毒なサンプルを検出することは極めて有益であり、困難である。 UE識別のための反復フィルタリング手法を提案する。
  論文  参考訳（メタデータ） (2024-08-15T13:26:13Z)
• MAPL: Memory Augmentation and Pseudo-Labeling for Semi-Supervised Anomaly Detection [0.0]
  メモリ拡張(Memory Augmentation)と擬似ラベル(Pseudo-Labeling, MAPL)と呼ばれる, 産業環境における表面欠陥検出のための新しいメソドロジーを導入する。 この手法は、まず異常シミュレーション戦略を導入し、希少または未知の異常型を認識するモデルの能力を著しく改善する。 入力データから直接異常領域を識別するために、MAPLによってエンドツーエンドの学習フレームワークが使用される。
  論文  参考訳（メタデータ） (2024-05-10T02:26:35Z)
• Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
  具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。 本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
  論文  参考訳（メタデータ） (2024-01-06T07:30:41Z)
• Imbalanced Data Classification via Generative Adversarial Network with Application to Anomaly Detection in Additive Manufacturing Process [5.225026952905702]
  本稿では, 追加製造プロセスイメージセンサデータを用いたGAN(Generative Adversarial Network)に基づく新しいデータ拡張手法を提案する。 多様性があり高品質な生成されたサンプルは、分類器にバランスの取れたトレーニングデータを提供します。 提案手法の有効性は, オープンソースデータと実世界のケーススタディの両方を用いて, ポリマーおよび金属AMプロセスで検証した。
  論文  参考訳（メタデータ） (2022-10-28T16:08:21Z)
• Hierarchical Semi-Supervised Contrastive Learning for Contamination-Resistant Anomaly Detection [81.07346419422605]
  異常検出は、通常のデータ分布から逸脱したサンプルを特定することを目的としている。 コントラスト学習は、異常の効果的な識別を可能にする表現のサンプル化に成功している。 汚染耐性異常検出のための新しい階層型半教師付きコントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-24T18:49:26Z)
• Anomaly Detection Based on Selection and Weighting in Latent Space [73.01328671569759]
  SWADと呼ばれる新しい選択および重み付けに基づく異常検出フレームワークを提案する。 ベンチマークと実世界のデータセットによる実験は、SWADの有効性と優位性を示している。
  論文  参考訳（メタデータ） (2021-03-08T10:56:38Z)

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。