低对比度晶圆缺陷检测与分割的多周期纹理对比度增强
计算机视觉与模式识别
2026-03-17 v1
摘要
晶圆缺陷分割是半导体产量优化的关键环节，但仍面临着微观异常与高度周期性、压倒性背景纹理之间的内在冲突。现有深度学习方法常因下采样中的特征稀释以及缺乏显式机制以分离低对比度缺陷和工艺引起的噪声而难以克服。为超越这些限制，我们提出了纹理感知框架 TexWDS，将多尺度特征保留与频域扰动建模和谐。我们的 methodology 包含三个战略性创新：(1) 引入多尺度感受野重加权策略，以缓解混叠效应并保留微观缺陷在标准金字塔架构中常丢失的高频细节。(2) 多尺度统一语义增强器 (MUSE) 整合局部外观与全局上下文编码，有效提升低可见区域的特征判别能力。(3) crucially，我们设计了一个即插即用的多周期纹理对比度增强 (MPTCE) 模块。通过在频域建模纹理破坏，MPTCE 显式地将非周期性异常从结构化背景中解耦，提高针对隐蔽缺陷的对比度。广泛的在真实工业数据集上的实验表明，TexWDS 实现了新的状态最佳，基准 mAP50-95 提升 8.3%，召回率提升 7.7%，同时将误报率降低约 8.6%。这些结果凸显了该框架在处理复杂周期模式方面的鲁棒性及其在高精度制造检验中的适用性。
关键词
引用
@article{arxiv.2603.14282,
title = {Multi-Period Texture Contrast Enhancement for Low-Contrast Wafer Defect Detection and Segmentation},
author = {Zihan Zhang},
journal= {arXiv preprint arXiv:2603.14282},
year = {2026}
}