基于少样本扩散的缺陷合成加速新产品引入中的视觉质量检测
计算机视觉与模式识别
2026-04-28 v1 机器学习
摘要
工业视觉检测系统常因标注缺陷数据严重不足，尤其在新产品引入（NPI）初期，导致在自动化质量控制最需要时难以部署稳健的监督检测器。我们提出一种端到端的生成框架，用于高保真少样本缺陷合成，既可实现领域内数据增强，也可实现跨域迁移。我们的方法通过结合掩码文本迁移进行缺陷表征学习、噪声混合条件生成进行表面感知合成，以及梯度感知后处理实现无缝视觉集成来分离缺陷形态与背景外观。我们在两种实践中关情的设置下评估该框架：一种是少样本数据增强，合成样本丰富小规模真实缺陷集合；另一种是零样本适应，缺陷从源域学习的特征迁移到 novel target surface，无需任何真实目标域缺陷示例。使用 RF-DETR 作为下游检测器，我们展示，该管道在私有工业数据集上显著缩小了领域差距。在少样本设置下，合成数据增强将 mAP 从 78.8% 提升至 83.3%。在零样本设置下，合成域适应将 mAP 从 65.0% 提升至 85.1%。这些结果表明，高保真缺陷合成可以通过在收集足够真实缺陷数据之前，使检查模型有效运行，从而加速 NPI。
引用
@article{arxiv.2604.22850,
title = {Accelerating New Product Introduction for Visual Quality Inspection via Few-Shot Diffusion-Based Defect Synthesis},
author = {Serkan Hamdi Güğül and Kemal Levi and Burak Acar},
journal= {arXiv preprint arXiv:2604.22850},
year = {2026}
}
备注
10 pages, 6 figures. White paper from Relimetrics, Inc