في عالم التصنيع، تعد دقة وفاعلية كشف العيوب السطحية من التحديات الكبرى التي تواجه العديد من الصناعات. تأتي الحلول التقليدية في بعض الأحيان بعقبات خطيرة، مثل نقص العينات وعدم القدرة على تحديد العيوب بدقة ضمن خلفيات معقدة. لمواكبة هذه التحديات، قدم الباحثون طريقة غير مُشرفة للكشف عن العيوب تعتمد على دمج نموذج الانتشار الاحتمالي القابل للتنظيف (Denoising Diffusion Probabilistic Model - DDPM) مع بنية تعليمية غير متماثلة.

تركز هذه الطريقة الجديدة على تدريب DDPM بالاعتماد على عينات طبيعية فقط، ومن خلال إدخال اضطرابات غاوسية ذات تباين ثابت وأقنعة مستندة إلى الضوضاء، يمكن توليد عينات عيوب ذات جودة عالية وتوافق فيزيائي مع تعليقات على مستوى البكسل، مما يساهم في حل مشكلة نقص البيانات.

علاوةً على ذلك، تم بناء شبكة ثنائية التدفق غير المتماثلة تتفاعل بين شبكة المعلم، التي توفر تمثيلات مستقرة للميزات الطبيعية، وشبكة الطالب التي تعيد بناء الأنماط الطبيعية وتعزز التباينات بين المناطق الطبيعية والشاذة.

ولتقديم نتائج دقيقة، تم اعتماد استراتيجية تحسين مشتركة تجمع بين فقدان التشابه الكوسيني والإشراف على تقسيم البكسل. أظهرت نتائج التجارب على مجموعة بيانات MVTecAD أن الطريقة المقترحة تحقق نسبة 98.4% في دقة الصور و98.3% على مستوى البكسل، متفوقة بذلك على الأساليب التقليدية والتعلم العميق الشائعة.

هذه التكنولوجيا لا تتطلب كميات كبيرة من عينات العيوب الحقيقية، مما يفتح الأفق لتحسين دقة وموثوقية كشف العيوب في الصناعات المختلفة.