論文の概要: Diffuse to Detect: Generative Diffusion Models for Unsupervised IC Anomaly Detection

• arxiv url: http://arxiv.org/abs/2605.26468v1
• Date: Tue, 26 May 2026 02:24:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-27 17:51:41.581272
• Title: Diffuse to Detect: Generative Diffusion Models for Unsupervised IC Anomaly Detection
• Title（参考訳）: 拡散検出:教師なしIC異常検出のための生成拡散モデル
• Authors: Yuxuan Yin, Chen He, Todd Jacobs, Jialei He, Boxun Xu, Robert Jin, Peng Li,
• Abstract要約: 拡散変換器を組み込んだ最初の教師なし異常検出フレームワークを提案する。 異常スコアは、中距離拡散時間ステップ上のノイズ予測誤差から導かれる。 本手法は, 工業用16nm IC試験データに対して, 極端不均衡条件下での最先端性能を実現する。
• 参考スコア（独自算出の注目度）: 6.4155075067452385
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Latent defect screening is challenged by extremely low failure rates, high-dimensional test data, and absence of labeled anomalies. We propose the first unsupervised anomaly detection framework incorporating a Diffusion Transformer. Raw test measurements are first compressed by an autoencoder, then reshaped into a structured token sequence enriched with sinusoidal and per-device wafer-position embeddings. Anomaly scores are derived from the noise-prediction error over mid-range diffusion timesteps, enabling fast wafer-scale screening without any labeled defects or manual feature engineering. Our approach achieves state-of-the-art performance on industrial 16nm IC test data under extreme class imbalance, offering interpretable failure localization through latent-space reconstruction residuals.
• Abstract（参考訳）: 遅延欠陥スクリーニングは、非常に低い故障率、高次元テストデータ、ラベル付き異常の欠如によって挑戦される。 拡散変換器を組み込んだ最初の教師なし異常検出フレームワークを提案する。 生検測定は、まずオートエンコーダによって圧縮され、その後、正弦波およびデバイスごとのウエハ位置埋め込みに富んだ構造化トークン配列に変換される。 異常スコアは、中距離拡散時間経過におけるノイズ予測誤差から導かれるもので、ラベル付き欠陥や手動の特徴工学を使わずに高速なウェハスケールスクリーニングを可能にする。 提案手法は, 工業用16nm IC試験データに対して, 極端クラス不均衡下での最先端性能を実現し, 遅延空間再構成残差による解釈可能な故障局所化を実現する。

関連論文リスト

• GroundingAnomaly: Spatially-Grounded Diffusion for Few-Shot Anomaly Synthesis [16.74245445257004]
  我々は,新しい数発の異常画像生成フレームワークであるGroundingAnomalyを提案する。 本フレームワークでは,画素ごとのセマンティックマップを活用する空間条件モジュールを導入している。 Gated Self-Attention Moduleは、凍結したU-Netに条件付きトークンを注入するように設計されている。
  論文  参考訳（メタデータ） (2026-04-09T14:34:50Z)
• Noise & pattern: identity-anchored Tikhonov regularization for robust structural anomaly detection [58.535473924035365]
  異常検出は自動産業検査において重要な役割を担い、他の均一な視覚パターンの微妙な欠陥や稀な欠陥を識別することを目的としている。 自己教師型オートエンコーダを用いて, 破損した入力の修復を学習する構造的異常検出に取り組む。 構造欠陥を模倣した画像に人工的破壊を注入する汚職モデルを導入する。
  論文  参考訳（メタデータ） (2025-11-10T15:48:50Z)
• ASD-Diffusion: Anomalous Sound Detection with Diffusion Models [6.659078422704148]
  実世界の工場において, 拡散モデル(ASD-Diffusion)に基づく異常音検出法が提案されている。 再構成後の入力から大きくずれた異常を検出するために, 後処理異常フィルタアルゴリズムを提案する。 暗黙的拡散モデルを導入し、推論速度を高速化する。
  論文  参考訳（メタデータ） (2024-09-24T10:42:23Z)
• Adversarially Robust Industrial Anomaly Detection Through Diffusion Model [23.97654469255749]
  そこで本研究では, 拡散モデルを用いて, 逆解析器と逆解析器の両方を動作させることができる, 簡易かつ効果的な逆解析手法である textitAdvRAD を提案する。 提案手法は,産業用異常検出ベンチマークデータセットの最先端手法と同等に強い異常検出性能を維持しつつ,優れた(認証された)対向性を示す。
  論文  参考訳（メタデータ） (2024-08-09T03:25:19Z)
• Generating and Reweighting Dense Contrastive Patterns for Unsupervised Anomaly Detection [59.34318192698142]
  我々は、先行のない異常発生パラダイムを導入し、GRADと呼ばれる革新的な教師なし異常検出フレームワークを開発した。 PatchDiffは、様々な種類の異常パターンを効果的に公開する。 MVTec ADとMVTec LOCOデータセットの両方の実験も、前述の観測をサポートする。
  論文  参考訳（メタデータ） (2023-12-26T07:08:06Z)
• DiffusionAD: Norm-guided One-step Denoising Diffusion for Anomaly Detection [80.20339155618612]
  DiffusionADは、再構成サブネットワークとセグメンテーションサブネットワークからなる、新しい異常検出パイプラインである。 高速なワンステップデノゲーションパラダイムは、同等の再現品質を維持しながら、数百倍の加速を達成する。 異常の出現の多様性を考慮し、複数のノイズスケールの利点を統合するためのノルム誘導パラダイムを提案する。
  論文  参考訳（メタデータ） (2023-03-15T16:14:06Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• SLA$^2$P: Self-supervised Anomaly Detection with Adversarial Perturbation [77.71161225100927]
  異常検出は、機械学習の基本的な問題であるが、難しい問題である。 本稿では,非教師付き異常検出のための新しい強力なフレームワークであるSLA$2$Pを提案する。
  論文  参考訳（メタデータ） (2021-11-25T03:53:43Z)
• Anomalous sound detection based on interpolation deep neural network [9.309962824653033]
  本稿では,モデルがスペクトルの複数のフレームを利用する異常検出手法を提案する。 提案手法は標準的なAUCスコアに基づいて27%の改善が得られた。
  論文  参考訳（メタデータ） (2020-05-19T06:12:41Z)
• Acoustic anomaly detection via latent regularized gaussian mixture generative adversarial networks [30.970377781506258]
  クラス不均衡の問題と異常な事例の欠如に悩まされる。 本稿では,ガウス混合生成適応ネットワーク(GMGAN)を半教師付き学習フレームワークで提案する。 実験により,本モデルは従来の手法よりも明らかに優れており,DCASEデータセットの最先端結果が得られることが示された。
  論文  参考訳（メタデータ） (2020-02-04T03:39:50Z)

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。