論文の概要: Unsupervised Integrated-Circuit Defect Segmentation via Image-Intrinsic Normality

• arxiv url: http://arxiv.org/abs/2509.09375v1
• Date: Thu, 11 Sep 2025 11:48:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-12 16:52:24.366677
• Title: Unsupervised Integrated-Circuit Defect Segmentation via Image-Intrinsic Normality
• Title（参考訳）: 画像固有の正規性による教師なし集積回路欠陥分割
• Authors: Botong Zhao, Qijun Shi, Shujing Lyu, Yue Lu,
• Abstract要約: 集積回路(IC)製造は、収量と信頼性を低下させる多種多様なきめ細かい欠陥を導入している。 ほとんどの産業的欠陥セグメント化は、テストイメージを外部の正規セットと比較するが、これはICイメージにとって脆弱な戦略である。 外部正規サポートを必要としない教師なしIC欠陥分割フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 13.515312003451553
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern Integrated-Circuit(IC) manufacturing introduces diverse, fine-grained defects that depress yield and reliability. Most industrial defect segmentation compares a test image against an external normal set, a strategy that is brittle for IC imagery where layouts vary across products and accurate alignment is difficult. We observe that defects are predominantly local, while each image still contains rich, repeatable normal patterns. We therefore propose an unsupervised IC defect segmentation framework that requires no external normal support. A learnable normal-information extractor aggregates representative normal features from the test image, and a coherence loss enforces their association with normal regions. Guided by these features, a decoder reconstructs only normal content; the reconstruction residual then segments defects. Pseudo-anomaly augmentation further stabilizes training. Experiments on datasets from three IC process stages show consistent improvements over existing approaches and strong robustness to product variability.
• Abstract（参考訳）: 現代の集積回路(IC)製造は、収量と信頼性を低下させる多種多様なきめ細かい欠陥を導入している。 ほとんどの産業的欠陥セグメント化は、テストイメージを外部の正常セットと比較するが、製品ごとにレイアウトが異なり、正確なアライメントが難しいICイメージにとって脆弱な戦略である。 欠陥が主に局所的であるのに対して、各画像はリッチで繰り返し可能な通常のパターンを含んでいる。 そこで我々は、外部正規サポートを必要としない教師なしIC欠陥分割フレームワークを提案する。 学習可能な正規情報抽出器は、テスト画像から代表正規特徴を集約し、コヒーレンス損失は、正常領域との関係を強制する。 これらの特徴によってガイドされ、デコーダは通常のコンテンツのみを再構成する。 Pseudo-anomaly augmentationはトレーニングをさらに安定化させる。 3つのICプロセスステージからのデータセットの実験は、既存のアプローチよりも一貫した改善と、製品の多様性に対する堅牢性を示している。

関連論文リスト

• Manifold-aware Representation Learning for Degradation-agnostic Image Restoration [135.90908995927194]
  画像復元(IR)は、ノイズ、ぼかし、迷路、雨、低照度といった様々な汚職に影響を受ける劣化した入力から高品質な画像を復元することを目的としている。 我々は、入力特徴空間を3つのセマンティックに整列した並列分岐に明示的に分解する1つのIRにおいて、すべてに統一されたフレームワークであるMIRAGEを提案する。 このモジュラ分解は、多種多様な分解の一般化と効率を大幅に改善する。
  論文  参考訳（メタデータ） (2025-05-24T12:52:10Z)
• Learning to Detect Multi-class Anomalies with Just One Normal Image Prompt [4.887838886202545]
  通常の特徴を再構成し,ただ1つの正常画像プロンプト(OneNIP)で異常特徴を復元する,シンプルで効果的な手法を提案する。 以前の研究とは対照的に、OneNIPは1つの通常の画像プロンプトで初めて異常を再構築または復元し、統一された異常検出性能を効果的に向上させる。 OneNIPは、MVTec、BTAD、VisAの3つの業界異常検出ベンチマークにおいて、以前の方法よりも優れている。
  論文  参考訳（メタデータ） (2025-05-14T10:25:14Z)
• Crane: Context-Guided Prompt Learning and Attention Refinement for Zero-Shot Anomaly Detection [50.343419243749054]
  異常検出は、医学診断や工業的欠陥検出などの分野において重要である。 CLIPの粗粒化画像テキストアライメントは、微粒化異常に対する局所化と検出性能を制限する。 クレーンは最先端のZSADを2%から28%に改善し、画像レベルとピクセルレベルの両方で、推論速度では競争力を維持している。
  論文  参考訳（メタデータ） (2025-04-15T10:42:25Z)
• Feature Alignment with Equivariant Convolutions for Burst Image Super-Resolution [52.55429225242423]
  本稿では,同変畳み込みに基づくアライメントを特徴とするBurst Image Super-Resolution (BISR) のための新しいフレームワークを提案する。 これにより、アライメント変換は画像領域の明示的な監督を通じて学習でき、特徴領域に容易に適用できる。 BISRベンチマークの実験は、定量的メトリクスと視覚的品質の両方において、我々のアプローチの優れた性能を示している。
  論文  参考訳（メタデータ） (2025-03-11T11:13:10Z)
• FAIR: Frequency-aware Image Restoration for Industrial Visual Anomaly Detection [4.705841907301398]
  周波数対応画像復元(英: Frequency-Aware Image Restoration, FAIR)は、高周波成分から画像を復元する、新しい自己教師付き画像復元タスクである。 FAIRは、様々な欠陥検出データセットで高い効率で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2023-09-13T16:28:43Z)
• Composite Score for Anomaly Detection in Imbalanced Real-World Industrial Dataset [0.0]
  本稿では,PCBA(Printed Circuit Board Assembly)イメージを,通常の製品で訓練されたベクトル量子生成適応ネットワーク(VQGAN)を用いて再構成する産業パートナーのユースケースについて述べる。 いくつかの正常な画像と異常な画像から複数のマルチレベルメトリクスが抽出され、再構成の違いによって異常が強調される。 クラスアイファーは、抽出されたメトリクスのおかげで複合異常スコアを構築するように訓練される。
  論文  参考訳（メタデータ） (2022-11-25T09:41:07Z)
• Editing Out-of-domain GAN Inversion via Differential Activations [56.62964029959131]
  本稿では,構成分解パラダイムを用いて,ドメイン外反転問題に対処する新しいGAN事前編集フレームワークを提案する。 生成されたDiff-CAMマスクの助けを借りて、粗い再構成を直感的に元の画像と編集された画像で合成することができる。 また, 分解段階において, 粗い再構成から最終微編集画像を切り離すための, GAN 以前のデゴーストネットワークを提示する。
  論文  参考訳（メタデータ） (2022-07-17T10:34:58Z)
• 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)
• Few-Shot Defect Segmentation Leveraging Abundant Normal Training Samples Through Normal Background Regularization and Crop-and-Paste Operation [4.626338154327536]
  産業検査作業では, 欠陥のない画像サンプルが豊富だが, 異常な画像が極めて少ないことが一般的である。 本論文は,正常な(欠陥のない)トレーニングイメージを十分に用いながら,異常な部分しか持たない,難解な少数ショット欠陥分割課題に対処する。 UNetライクなエンコーダ-デコーダ欠陥分割ネットワークのトレーニングに、豊富な欠陥のないイメージを組み込むことにより、2つの効果的な正則化手法を提案する。
  論文  参考訳（メタデータ） (2020-07-18T14:15:42Z)
• Self-Calibration Supported Robust Projective Structure-from-Motion [80.15392629310507]
  本稿では,自己校正制約によってマッチングプロセスが支持される統合されたStructure-from-Motion (SfM)法を提案する。 これらの制約を利用して,ロバストなマルチビューマッチングと正確なカメラキャリブレーションを示す実験結果を示す。
  論文  参考訳（メタデータ） (2020-07-04T08:47:10Z)

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。