本文提出了一种新颖的自监督学习算法，通过解决著名的拼图问题来设计一个优化的编码器，以在工业产品中检测纹理和物体缺陷，实验结果表明我们的方法在广泛使用的 MVTec AD 数据集上达到了 95.8% 和 96.8% 的杰出检测和分割性能，为纹理和物体缺陷建立了最新的基准。

Nov, 2023

本文提出了一种基于深度学习的两阶段故障诊断框架，第一阶段通过数据扩增增强图像处理性能，第二阶段则使用改进后的深度学习架构进行对象检测，在两个多类别数据集上的实验结果表明，该框架优于其他解决方案。

May, 2021

提出的架构 Dual Attentive U-Net with Feature Infusion (DAU-FI Net) 在语义分割方面解决了多类别不平衡数据集和有限样本的挑战，通过集成多尺度空间 - 通道注意力机制和特征注入来增强目标定位精度。该架构通过使用 Gabor 滤波器进行纹理分析、Sobel 和 Canny 滤波器进行边缘检测的方式来扩展特征空间，提供了语义分割的鲁棒解决方案，对于有限的训练数据的多类问题具有推进意义。

Dec, 2023

该研究提出了一个可提高成像工具缺陷检测吞吐量的 ADCD 框架，该框架通过在低分辨率图像中检测纳米级缺陷实例来解决高深度聚焦挑战，并通过 SR 辅助分支实现不同分辨率图像上的缺陷检测推断，无需明确训练。

Apr, 2024

本文中，我们提出了一种简单的基于微调的方法，iFSD 的增量两阶段微调方法（iTFA），用于在不回访基类的情况下仅使用少量示例增量学习新类。实验结果表明我们提出的方法在现实世界的数据集上表现出很好的准确性和适用性。

Feb, 2023

半导体制造中的光刻术通常是界定最小模式尺寸的制造步骤，在最近几年中，高数值孔径极紫外光刻术 (high-NA EUVL) 的发展取得了进展，承诺推动模式缩小 (2 纳米节点及以上)。然而，高数值孔径导致了随机缺陷的显著增加和缺陷检测的复杂性增加。本研究探讨了利用切片辅助的超推理 (SAHI) 框架改进当前技术的方法。通过在扫描电子显微镜 (SEM) 图像的增大尺寸切片上进行推理，改进了目标检测器的感知域，提高了小缺陷实例的检测。首先，在以前研究过的半导体数据集上对各种配置进行了基准测试，并且证明了 SAHI 方法可以将小型缺陷的检测能力提高约 2 倍。接下来，我们还展示了 SAHI 的应用可以在新的测试数据集上实现完美的检测率，即使在训练过程中未遇到的情况下，之前训练的模型也无法做到。最后，我们提出了 SAHI 的扩展版本，即在不明显降低真阳性预测的情况下，消除了假阳性预测。

Nov, 2023

本文提出 Unified Decoupled Feature Alignment (UDFA)，通过全面探索自知识蒸馏与对抗训练的组合应用于目标检测中，实现比现有方法更好的性能。在 PASCAL-VOC 和 MS-COCO 基准测试中，UDFA 可以超越标准训练和最先进的对抗训练方法，提高了准确度，并提高了鲁棒性。

Nov, 2021

通过学习无人机对象检测的尺度不变特征，提出了一种改进单阶段推理准确性的方法，并设计了尺度不变特征分离模块和对抗特征学习方案来增强分离，最终通过使用尺度不变特征来实现鲁棒的无人机对象检测。

May, 2024

本文提出了一种基于视觉 Transformer 的无监督非一致性感知方法 (UIA-ViT)，该方法可在没有像素级别注释的情况下仅利用视频级别标签，并使用一致性关系进行特征学习以提高人脸伪造检测性能。

Oct, 2022

在这篇论文中，我们提出了一种基于监督对比学习与 Transformer 的图像质量评估模型 SaTQA，该模型通过 SCL 在大规模合成数据集上进行训练，从而提取出具有各种失真类型和水平的图像退化特征，并结合了 CNN 的归纳偏置和 Transformer 的长期依赖建模能力来进一步提取图像的失真信息，最终通过融合对比学习学到的退化特征和骨干网络提取的感知失真信息获取最终的失真图像质量得分。实验结果表明，SaTQA 在合成和真实数据集上都优于目前的最先进方法。

Dec, 2023