32‐1: 通过在扩散模型中使用自动遮罩技术改善量子点背板缺陷图像生成

现代量子点背板生产线部署了基于深度学习的缺陷分类器，该分类器使用背板图像进行自动修复系统。然而，该应用的一个关键挑战是在新产品首次推出时缺乏可用于训练的缺陷图像。为了解决这个问题，像GAN这样的生成模型被用于生成新产品的缺陷图像，但由于训练不稳定和模式崩溃，图像质量和多样性都不是最优的。在本文中，应用了最新的扩散模型进行缺陷图像生成。该模型在来自新产品A的正常（无缺陷）图像和来自现有产品B的缺陷图像上训练。这使得模型能够学习产品B的缺陷，并从正常图像生成产品A的合成缺陷图像。通过一种创新的方法，在扩散抽样中自动应用遮罩，生成的合成图像在与输入正常图像相比时，展示出高图像质量和良好的缺陷多样性，同时在缺陷区域外保持图像的真实性。还进行了实验，使用来自不同抽样方法生成的缺陷图像训练分类器。所提出的自动遮罩方法在实验中优于其他抽样方法。