对比了先进无监督异常检测方法在半导体制造中的表现。
Evaluating Modern Visual Anomaly Detection Approaches in Semiconductor Manufacturing: A Comparative Study
- 基于MIIC数据集构建半导体领域VAD评测基准。
- 现代无监督方法在缺陷检测中表现出色，无需大量标注样本。
- 适合需要低成本缺陷检测的工业视觉质检场景。
半导体制造是一个复杂、多阶段的过程。对扫描电子显微镜（SEM）图像进行自动化视觉检测对于减少设备停机时间和控制成本至关重要。以往大多数研究采用有监督方法，假设存在足够数量的异常标注样本。相比之下，视觉异常检测（VAD）作为新兴研究领域，聚焦于无监督学习，避免了昂贵的缺陷收集阶段，同时提供预测结果的可解释性。本文通过利用MIIC数据集，为半导体领域的VAD引入了一个评测基准。实验结果表明，现代VAD方法在此领域具有显著有效性。
原文摘要 · Abstract (English)
Semiconductor manufacturing is a complex, multistage process. Automated visual inspection of Scanning Electron Microscope (SEM) images is indispensable for minimizing equipment downtime and containing costs. Most previous research considers supervised approaches, assuming a sufficient number of anomalously labeled samples. On the contrary, Visual Anomaly Detection (VAD), an emerging research domain, focuses on unsupervised learning, avoiding the costly defect collection phase while providing explanations of the predictions. We introduce a benchmark for VAD in the semiconductor domain by leveraging the MIIC dataset. Our results demonstrate the efficacy of modern VAD approaches in this field.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。