基于自监督学习的集成电路缺陷检测与新类别发现——图像内先验方法
计算机视觉与模式识别
2025-11-06 v1 人工智能
摘要
集成电路制造过程高度复杂，涉及数百个工序。缺陷可在任何阶段产生，导致良品率下降并最终降低产品可靠性。监督式方法需要大量人工标注，难以应对新出现的类别和稀有、数据稀缺的缺陷。基于聚类的无监督方法常因缺乏先验信息而表现不稳定。我们提出 IC DefectNCD，一个无支持集框架，利用 IC SEM 图像中的图像内先验进行缺陷检测和新类别发现。我们首先开发了自归一化信息引导的 IC 缺陷检测，通过可学习的归一化信息提取器聚合代表性正常特征，并利用重构残差粗略定位缺陷区域。为处理缺陷间的显著性差异，我们引入自适应二值化策略，以产生聚焦于缺陷核心区域的稳定子图像。最后，我们设计了自缺陷信息引导的 IC 缺陷分类，引入软掩码引导注意力机制，将空间缺陷先验注入教师学生模型中。这增强了对缺陷区域的敏感性，抑制了背景干扰，实现对未知缺陷的识别和分类。我们在覆盖 15 种缺陷类型的真实世界数据集上进行了验证，数据集涵盖三个关键制造阶段。实验结果在缺陷检测和未知缺陷分类方面均表现出稳健性能。
引用
@article{arxiv.2511.03120,
title = {Image-Intrinsic Priors for Integrated Circuit Defect Detection and Novel Class Discovery via Self-Supervised Learning},
author = {Botong. Zhao and Xubin. Wang and Shujing. Lyu and Yue. Lu},
journal= {arXiv preprint arXiv:2511.03120},
year = {2025}
}