論文の概要: Does Super-Resolution Preserve Defect Evidence? A Low-False-Call Benchmark for Semiconductor Inspection

• arxiv url: http://arxiv.org/abs/2607.17401v1
• Date: Sun, 19 Jul 2026 20:22:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.460022
• Title: Does Super-Resolution Preserve Defect Evidence? A Low-False-Call Benchmark for Semiconductor Inspection
• Title（参考訳）: 超解像保存欠陥は証拠となるか? : 半導体検査のための低速ベンチマーク
• Abstract要約: 超高解像度は、欠陥を検出するのに必要な証拠を保存せずに、検査画像をよりシャープに見せることができる。 本研究では,検出から再構成を分離したベンチマークを用いて,この故障モードを事前に宣言された低偽陽性率で評価する。
• 参考スコア（独自算出の注目度）: 4.906746849209501
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Super-resolution can make inspection images appear sharper without preserving the evidence needed to detect a defect. We study this failure mode with a benchmark that separates reconstruction from detection and evaluates both at a predeclared low false-positive rate. Ten end-to-end repetitions combine independently generated line/space and contact-hole images with model training, calibration, clean controls, weak defects, and a held-out defect morphology. Every reconstruction is scored by the same local residual detector, while direct and jointly trained detectors form a separate comparison track. Reconstruction fidelity and inspection utility diverge: the two learned reconstruction models attain the highest structural similarity yet detect fewer defect pixels than bicubic interpolation in every paired repetition. A direct DeepLabV3 detector reaches $0.1984\pm0.0385$ recall at $0.000174\pm0.000084$ false-positive rate and satisfies the held-out feasibility criterion in all ten repetitions. An illustrative joint model, DPU-WaferSR, passes independent clean calibration but exceeds the held-out limit in all ten repetitions, demonstrating that calibration success does not guarantee transfer. Weak-defect recall remains near zero for every feasible method. Applying the unchanged policies to 4,591 public Carinthia-S masks further reveals large method-dependent shifts on real SEM texture. These results support a simple conclusion: super-resolution for inspection should be judged by preserved task evidence and operating-point transfer, not reconstruction quality alone.
• Abstract（参考訳）: 超高解像度は、欠陥を検出するのに必要な証拠を保存せずに、検査画像をよりシャープに見せることができる。 本研究では,検出から再構成を分離したベンチマークを用いて,この故障モードを事前に宣言された低偽陽性率で評価する。 10つのエンドツーエンドの繰り返しは、独立に生成された線/空間と接触穴の画像と、モデルトレーニング、キャリブレーション、クリーンコントロール、欠陥の弱い、ホールドアウトされた欠陥形態とを組み合わせている。 すべての復元は、同じ局所的残留検出器によって行われ、直接および共同で訓練された検出器は別個の比較トラックを形成する。 再現率と検査ユーティリティーは異なる: 2つの学習された再構成モデルは、最も高い構造的類似性を達成するが、ペアの繰り返しごとにバイコビック補間よりも少ない欠陥画素を検出する。 直接DeepLabV3検出器は0.1984\pm0.0385$リコールで0.000174\pm0.000084$偽陽性に到達し、10回の繰り返しの持続可能性基準を満たす。 説明的な合同モデルであるDPU-WaferSRは、独立したクリーンキャリブレーションをパスするが、全ての10回の繰り返しにおいてホールトアウト限界を超え、キャリブレーションの成功が転送を保証しないことを示す。 弱欠陥リコールは、すべての実現可能な方法において、ほぼゼロに近いままである。 変更のないポリシーを4,591個のカリンチア-Sマスクに適用すると、実際のSEMテクスチャに対するメソッド依存の大きなシフトが明らかになる。 これらの結果は単純な結論である: 検査の超解像は、復元品質だけでは無く、保存されたタスク証拠と運用ポイント転送によって判断されるべきである。

関連論文リスト

• SafeRestore: Detector-Relative Risk Certificates for Selective Industrial Image Restoration [4.906746849209501]
  産業用検査パイプラインは、検出器が作用する前に測定画像を復元することが多いが、修復は検出器が支持する欠陥構造を抑えるか、クリーン領域の活性化を生成することができる。 本研究は, ディスプレイ上の選択的動作問題, 5つの復元候補, レビューとして復元を定式化する。 SafeRestoreは、アクション固有の適合スコアで候補をランク付けし、しきい値調整データ上でゲートを選択し、一方の正確な2つの二項境界を持つ不一致認定サンプル上で固定ゲートを評価する。
  論文  参考訳（メタデータ） (2026-09-03T07:32:42Z)
• RePair: Turning Retrieval Failures into Counterfactual Hard Pairs [15.148342372814662]
  RePairは、偽陽性を双方向にマイニングし、LLM誘導の反ファクト編集を適用し、ローカルなハードペアの対照的な目的を持つ列車を訓練する。 Flickr30KとCOCO30Kでは、RePairは107Kの合成サンプルで制御された拡張ベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-08-30T06:47:38Z)
• Code Correctness Signals in LLM Hidden States: Pre-Generation Probing and Repair Geometry [0.0]
  モデルのファーストアタプティブコードの正しさは、プロンプト-ファイナル隠れ状態から線形にデオード可能である。 モデルが失敗した最初の試みを修復しようとするケース236では、失敗した試みからその修復への隠れ状態シフトが統計的に検出可能なコントラスト方向をもたらす。
  論文  参考訳（メタデータ） (2026-06-12T15:06:15Z)
• Mitigating the reconstruction-detection trade-off in VAE-based unsupervised anomaly detection [5.095644632358472]
  我々は,$-VAEモデル間の再構成品質と異常検出のトレードオフを明らかにする。 制約付き遅延空間を持つモデルは、より高い検出基準に達するが、再構築品質は低下する。 本研究では,リコンストラクション検出トレードオフを緩和する2つの方法として,ベータスケジューリングとスパースVAEについて検討する。
  論文  参考訳（メタデータ） (2026-04-09T13:00:20Z)
• Cross-Context Verification: Hierarchical Detection of Benchmark Contamination through Session-Isolated Analysis [0.0]
  Cross-Context Verification (CCV) は、N個の独立したセッションで同じベンチマーク問題を解決するブラックボックス方式である。 9つのSWE分岐検証問題(45の試験、クロードオプス4.6、温度0)では、CCVは汚染されたものと真の推論との間の完全な分離を達成する。
  論文  参考訳（メタデータ） (2026-03-23T00:18:34Z)
• CARE What Fails: Contrastive Anchored-REflection for Verifiable Multimodal [84.71254539482369]
  検証可能な報酬を伴うグループ相対的強化学習(RLVR)は、しばしば、すでに失敗している最も情報に富むデータを浪費する。 エラーを監督するマルチモーダル推論のための,障害中心のポストトレーニングフレームワークであるCAREを提案する。 CAREは正確さを改善し、スムーズさをトレーニングすると同時に、障害からの学習信号のシェアを明示的に増やします。
  論文  参考訳（メタデータ） (2025-12-22T16:34:21Z)
• DRL-Guided Neural Batch Sampling for Semi-Supervised Pixel-Level Anomaly Detection [0.0]
  産業用視覚検査における異常検出は, 欠陥試料の不足により困難である。 本稿では,ニューラルバッチサンプリング,オートエンコーダ,予測器を統合した半教師付き深層強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-25T12:53:53Z)
• 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)
• Revisiting Reconstruction-based AI-generated Image Detection: A Geometric Perspective [50.83711509908479]
  幾何学的観点からの再構成誤差に対するヤコビアンスペクトル下界の導入について述べる。 再構成多様体上の実画像は非自明な誤差下界を示し、多様体上の生成された画像はゼロに近い誤差を持つことを示す。 本稿では,構造化編集操作を活用することで動的再構成誤差を計算できるReGapを提案する。
  論文  参考訳（メタデータ） (2025-10-29T03:45:03Z)
• Delving into Cascaded Instability: A Lipschitz Continuity View on Image Restoration and Object Detection Synergy [95.93943805282868]
  リプシッツ規則化物体検出(LROD) 本稿では,リプシッツ規則化YOLO(LR-YOLO)を提案する。 ヘイズと低照度ベンチマークの実験では、LR-YOLOは検出安定性、最適化のスムーズさ、全体的な精度を一貫して改善している。
  論文  参考訳（メタデータ） (2025-10-28T09:41:42Z)
• MMNet: Multi-Collaboration and Multi-Supervision Network for Sequential Deepfake Detection [81.59191603867586]
  シークエンシャルディープフェイク検出は、回復のための正しいシーケンスで偽の顔領域を特定することを目的としている。 偽画像の復元には、逆変換を実装するための操作モデルの知識が必要である。 顔画像の空間スケールや逐次順列化を扱うマルチコラボレーション・マルチスーパービジョンネットワーク(MMNet)を提案する。
  論文  参考訳（メタデータ） (2023-07-06T02:32:08Z)
• SADet: Learning An Efficient and Accurate Pedestrian Detector [68.66857832440897]
  本稿では,一段検出器の検出パイプラインに対する一連の最適化手法を提案する。 効率的な歩行者検出のための単発アンカーベース検出器(SADet)を形成する。 構造的には単純だが、VGA解像度の画像に対して最先端の結果と20ドルFPSのリアルタイム速度を示す。
  論文  参考訳（メタデータ） (2020-07-26T12:32:38Z)

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。