SEMI-DiffusionInst: A Diffusion Model Based Approach for Semiconductor Defect Classification and Segmentation

解决问题：本篇论文旨在解决半导体缺陷检测和分割的问题，并通过使用扩散模型的方法来进行准确的检测和分割。这是一个新的问题，因为随着摩尔定律的不断进步，集成电路设备的复杂性也在增加，因此需要更准确和高效的缺陷检测方法。

关键思路：本文提出了一种名为“SEMI-DiffusionInst”的新型半导体缺陷检测框架，其关键思路是使用扩散模型来进行准确的检测和分割。相比当前领域的研究，这篇论文的思路具有创新性，因为它是第一篇使用扩散模型来解决半导体缺陷检测和分割问题的论文。

其他亮点：本文通过使用不同的特征提取器网络和数据采样策略来实现在精度和计算效率之间的平衡，并在整体mAP和每个缺陷类别的AP方面优于以前的工作。本文还通过调整推理超参数来显著提高推理时间而不影响模型精度。本文的实验设计详细，并使用开源数据集进行测试，但没有提供开源代码。这项工作值得进一步深入研究，以克服其局限性并进一步提高模型性能。

关于作者：本文的主要作者是Vic De Ridder、Bappaditya Dey、Sandip Halder和Bartel Van Waeyenberge，他们分别来自比利时根特大学和印度理工学院。他们之前的代表作没有在我的数据库中找到。

相关研究：近期的其他相关研究包括：“A Deep Learning Framework for Defect Classification and Segmentation in Semiconductor Manufacturing”（作者：Y. Zhang，机构：加州大学伯克利分校）以及“Defect Detection in Semiconductor Industry Using Deep Learning”（作者：S. Dubey，机构：印度理工学院）。

论文摘要：本研究探讨并比较了一种新的半导体缺陷检测框架“SEMI-DiffusionInst”和之前的框架。在先进节点（2纳米及以上）技术中，基于扫描电子显微镜（SEM）图像的广泛缺陷检查和准确计量提取是两个主要挑战。过去几年，基于深度学习（DL）算法的计算机视觉方法在半导体缺陷检测方面变得越来越受欢迎。本研究提出了一种基于扩散模型的半导体缺陷检测方法，并通过使用不同的特征提取器网络作为骨干和数据采样策略进行了研究，以实现在精度和计算效率之间的平衡。我们提出的方法在整体mAP上优于先前的工作，并且在几乎所有缺陷类别（每个类别的APs）上表现得更好或相当。所提出的SEMI-DiffusionInst模型实现的边界框和分割mAP分别提高了3.83％和2.10％。在单个缺陷类型中，对于线路坍塌和细桥缺陷，检测任务的精度分别提高了约15％。还表明，通过调整推理超参数，可以显著提高推理时间，而不会影响模型精度。最后，讨论了某些限制和未来的工作策略以克服这些限制。

内容中包含的图片若涉及版权问题，请及时与我们联系删除