論文の概要: Efficient Patch-Based Anomaly Detection Fused with Diffusion Driven Generative Modeling for Semiconductor Wafer Bin Map Open Set Anomaly Detection

• arxiv url: http://arxiv.org/abs/2610.09993v1
• Date: Wed, 07 Oct 2026 12:52:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.911218
• Title: Efficient Patch-Based Anomaly Detection Fused with Diffusion Driven Generative Modeling for Semiconductor Wafer Bin Map Open Set Anomaly Detection
• Title（参考訳）: 半導体ウェハビンマップ開集合異常検出のための拡散駆動生成モデルを用いた効率的なパッチベース異常検出
• Abstract要約: 本研究は、パッチベースの学生教師検出装置(EfficientAD)と部分拡散再構成に用いる拡散確率モデル(DDPM)を結合したハイブリッド一級フレームワークを提案する。 WM-38K混合型データセットから700個の正常なウエハをトレーニングし、18,658個の保持型ウエハで評価し、融合検出器はAUROCの0.9985に達し、誤分類は852個(DDPM)と1,412個(EfficientAD)から618個(EfficientAD)に減少した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Spatial defect signatures on wafer bin maps (WBMs) trace yield loss to specific process faults, yet supervised classifiers recognize only the defect types seen during training, and one-class detectors built on a single mechanism tend to capture either local structural deviations or global distributional violations, but rarely both. This work proposes a hybrid one-class framework that couples a patch-based student-teacher detector (EfficientAD) with a denoising diffusion probabilistic model (DDPM) used for partial-diffusion reconstruction, and fuses their percentile-calibrated scores through a fixed convex combination. Trained on only 700 normal wafers from the WM-38K mixed-type dataset and evaluated on 18,658 held-out wafers, the fused detector reached an AUROC of 0.9985 and reduced misclassifications from 852 (DDPM) and 1,412 (EfficientAD) to 618, with all pairwise differences significant at p < 0.001. Beyond aggregate accuracy, the analysis shows that the gain arises from weakly overlapping errors between the two modules, yet fixed-weight fusion recovers only 40-70% of the correction available to an oracle selector. Under the benchmark's inverted class balance, average precision and F1 saturate, while the Matthews correlation coefficient and negative predictive value expose unreliable normal predictions. Pixel-level maps further show that strong image-level separability does not imply spatial localization, and the diffusion module succeeds as a local density prior rather than through global geometric reasoning. These findings motivate sample-adaptive fusion and imbalance-aware evaluation of hybrid wafer anomaly detectors.
• Abstract（参考訳）: ウェハビンマップ(WBM)上の空間的欠陥シグネチャは、特定のプロセス欠陥に収量損失をトレースするが、教師付き分類器は訓練中に見られる欠陥タイプのみを認識する。 本研究は、パッチベースの学生-教師検出器(EfficientAD)と部分拡散再構成に用いる拡散確率モデル(DDPM)を結合し、固定凸結合によりパーセンタイル校正スコアを融合するハイブリッド一級フレームワークを提案する。 WM-38K混合型データセットから700個の正常なウェハで訓練され、18,658個の保持型ウェハで評価され、融合検出器はAUROCの0.9985に達し、852 (DDPM) と1,412 (EfficientAD) の誤分類を618に減らした。 解析により、2つのモジュール間の誤差が弱いことから得られるが、固定重核融合は、オラクルセレクタで利用できる補正の40-70%しか回復しないことがわかった。 ベンチマークの逆クラスバランスでは、平均精度とF1は飽和し、マシューズ相関係数と負の予測値は信頼できない正規予想を表わす。 さらに、画素レベルの写像は、強い画像レベルの分離性は空間的局所化を含まないことを示し、拡散モジュールは、大域的な幾何学的推論よりも先に局所密度として成功する。 これらの知見は,ハイブリッドウエハ異常検出器の試料適応核融合と不均衡評価を動機付けている。

関連論文リスト

• Augmenting Visual Anomaly Detection with Automated Interpretability [3.83610149911488]
  視覚異常検出装置は、既知の正常なデータからの偏差を識別するが、その異常信号は実際の異常の証拠と良質な視覚的変動を混合する可能性がある。 本稿では,この信号の異なる成分を識別・介入することにより,視覚異常検出装置を拡張できるかどうかを考察する。
  論文  参考訳（メタデータ） (2026-09-27T18:13:59Z)
• Industrial Surface Defect Detection via Diffusion Generation and Asymmetric Student-Teacher Network [12.392157257527705]
  工業的な表面欠陥検出は、しばしば限られた欠陥サンプル、厳しい長い尾の分布、複雑な背景の下で微妙な欠陥を正確に局所化することの難しさに悩まされる。 本稿では,非対称な教師・学生アーキテクチャとDDPM(Denoising Diffusion Probabilistic Model)を統合した教師なし欠陥検出手法を提案する。
  論文  参考訳（メタデータ） (2026-04-21T08:47:32Z)
• Latent Sculpting for Zero-Shot Generalization: A Manifold Learning Approach to Out-of-Distribution Anomaly Detection [2.8547732086436306]
  教師付きディープラーニングの基本的限界は「一般化崩壊」である 階層型2段階表現学習フレームワークであるLatent Sculptingを提案する。 我々は「浸潤」のシナリオについて88.89%の検知率を報告した。
  論文  参考訳（メタデータ） (2025-12-19T11:37:02Z)
• Unsupervised Machine-Learning Pipeline for Data-Driven Defect Detection and Characterisation: Application to Displacement Cascades [0.0]
  本研究では、変位カスケード欠陥を検出し、分類する、完全に教師なしの機械学習(ML)ワークフローを提案する。 Ni, Fe70Ni10Cr20, Zrの80keV変位カスケードを用いて, 欠陥形成に関与する不純物原子のごく一部を同定した。 ML外接点マップといくつかの従来の検出器間の統計的交差解析により、強い重複と相補的カバレッジが明らかとなった。
  論文  参考訳（メタデータ） (2025-10-28T15:34:23Z)
• ExDD: Explicit Dual Distribution Learning for Surface Defect Detection via Diffusion Synthesis [2.7215409221888476]
  産業欠陥検出システムは、一級異常検出パラダイムに制限された場合、限界に直面する。 両機能分布を明示的にモデル化することで,これらの制約を超越する新しいフレームワークであるExDDを提案する。
  論文  参考訳（メタデータ） (2025-07-21T07:49:00Z)
• CLIP Meets Diffusion: A Synergistic Approach to Anomaly Detection [49.11819337853632]
  異常検出は、異常の定義の曖昧さ、異常型の多様性、トレーニングデータの不足による複雑な問題である。 識別的基盤モデルと生成的基礎モデルの両方を活用するCLIPfusionを提案する。 本手法は, 異常検出の多面的課題に対処する上で, マルチモーダル・マルチモデル融合の有効性を裏付けるものである。
  論文  参考訳（メタデータ） (2025-06-13T13:30:15Z)
• GLAD: Towards Better Reconstruction with Global and Local Adaptive Diffusion Models for Unsupervised Anomaly Detection [60.78684630040313]
  拡散モデルは、特定のノイズを付加したテスト画像の通常の画像を再構成する傾向がある。 世界的視点から見ると、異なる異常による画像再構成の難しさは不均一である。 本稿では,非教師付き異常検出のためのグローバルかつ局所的な適応拡散モデル(GLADと略す)を提案する。
  論文  参考訳（メタデータ） (2024-06-11T17:27:23Z)
• MSFlow: Multi-Scale Flow-based Framework for Unsupervised Anomaly Detection [124.52227588930543]
  教師なし異常検出(UAD)は多くの研究の関心を集め、幅広い応用を推進している。 不明瞭だが強力な統計モデルである正規化フローは、教師なしの方法で異常検出と局所化に適している。 非対称な並列フローと融合フローからなるMSFlowと呼ばれる新しいマルチスケールフローベースフレームワークを提案する。 我々のMSFlowは、検出AUORCスコアが99.7%、ローカライゼーションAUCROCスコアが98.8%、プロスコアが97.1%の新たな最先端技術を実現している。
  論文  参考訳（メタデータ） (2023-08-29T13:38:35Z)

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。