実証された技術は、
現場で結果をもって語ります。

ビジョンモデル、異常検知、軽量推論、運用フィードバック ㅡ これらすべての工程を一つにつなぎ、ライン上で進化し続けるAIをつくります。

お問い合わせ

最小限のデータで最高のパフォーマンスを。

36倍に削減したデータで、致命的欠陥の検出率100%を達成しました。 7,000点を超える生産品目を単一モデルで管理する、圧倒的な効率をご体感ください。

+27%
圧倒的な検出性能
競合モデル比で検出率を+27.2%pt向上過検出・見逃しのリスクを低減する検出構造
36倍
最高のデータ効率
従来155,282枚の学習データを4,284枚に圧縮初期検証期間や不良データ確保の負担を短縮
100%
見逃さない致命的欠陥
OOD技術により未学習の希少欠陥を検出致命的欠陥が外部へ流出するリスクを低減
0.3秒
リアルタイム高速データ処理
49.5MPクラスの産業用超高解像度画像を 1枚あたり0.3秒以内で把握し、検査します。

差別化ポイント - AI Inspection

持続可能で、Over-A-Night Model Updateを実現する運用構造

アイベックスの技術は、管理された実験室ではなく、予測不可能な実際のラインで完成します。透明に公開される性能指標をもとに、一度きりの導入にとどまらず、現場に合わせて絶えず進化する「AI運用ループ」を構築します。

比較項目

対応範囲

環境変化への対応

検査品目変更への対応

導入時の運用主体

従来のルールベース検査

最初に定義したルールに依存

ルールを一から再構築

品目に応じたルールの必須修正

社内エンジニアによる保守

アイベックスのAI運用ソリューション

リアルタイムの検査結果学習による迅速な対応

検査データのフィードバックによる定期的な対応

新規モデルの生成・適用でリソースを最小化

シンプルなフィードバックに基づくAIシステム運用

一般的なAIソリューション

初回学習に限定された範囲

新規モデルを生成

品目ごとにPoCを繰り返し

運用体制の確立を別途実施

比較項目

対応範囲

環境変化への対応

検査品目変更への対応

導入時の運用主体

従来のルールベース検査

最初に定義したルールに依存

ルールを一から再構築

品目に応じたルールの必須修正

社内エンジニアによる保守

アイベックスのAI運用ソリューション

リアルタイムの検査結果学習による迅速な対応

検査データのフィードバックによる定期的な対応

新規モデルの生成・適用でリソースを最小化

シンプルなフィードバックに基づくAIシステム運用

一般的なAIソリューション

初回学習に限定された範囲

新規モデルを生成

品目ごとにPoCを繰り返し

運用体制の確立を別途実施

差別化ポイント - AI Robotics

ロボットメーカーを問わず、過酷な環境でDexterous Manipulationを実現

アイベックスの技術は、ロボットメーカー、SI、ロボットティーチング、配線など、従来の協業方式で進めてきたロボティクスプロジェクトを単一の「AIロボティクス統合制御プラットフォーム」へと一元化します。

No-Code専門家でなくても使える

Adaptive多様な環境に適応する

Hardware-Agnosticロボットメーカーを問わない

接続の柔軟性
Hardware Agnostic
- ロボット・カメラのメーカーに依存しないROS2ベースの標準インターフェースで、導入機器の将来価値を最大化
AIによる不定形物への対応
AI Vision Driven Robotics
- 3D-Vision-AIモデルを用いた不定形対象物の6-Dimentional位置認識、およびOne-step Robot-Camera Calibration
レゴブロック型の拡張性
Modular Scalability
- No Code Programming
- Drag&Dropによるロボットプログラミングから各種AIプラグインまで、ロボット活用の拡張性を保証
熟練者の動作を模倣する模倣学習＆強化学習
Precision Physical AI
- 精密組立の模倣学習モデルの学習、Sim2Realデータ拡張技術、および強化学習によるFine TuningでPhysical-AIを最適化

実証された論文

現場から出発し、現場を革新する研究

アイベックスのすべての研究は、実際のラインの課題から出発します。学界の厳格な検証を経た技術は、再び産業現場へと還り、最も確実な解決策となります。

Memory-Distilled Selection for Noise-Robust Anomaly Detection
産業用異常検知は、学習データに欠陥が混ざると性能が大きく低下し、通常はノイズ比率を事前に把握するか、比率ごとにハイパーパラメータを個別に調整しなければならないという限界があります。本論文は、ノイズ比率が分からなくてもうまく動作するMeDSを提案します。まずメモリをランダムにまばらに抽出してアンサンブルすると、その疎さがローパスフィルタのように作用して正常と欠陥を一次的に選別し、このスコアを復元ネットワークでdistillationした後、自ら選別したクリーンなデータでfine-tuningすることで、ピクセル単位まで精密に捉えます。比率ごとのチューニングなしでも様々なノイズに対して安定しており、MVTecADの40%ノイズで画像単位のAUROC 99.16%を記録し、VisA・Real-IADでも最高性能を達成します。さらにおまけとして、汚染されたサンプルを効率的に見つけ出すラベル校正ツールとしても利用できます。
ICML 2026
- Learning with Noisy Label
- Anomaly Detection
論文を見る: Memory-Distilled Selection for Noise-Robust Anomaly Detection
TailedCore: Few-shot sampling for unsupervised long-tail noisy anomaly detection
実際の産業データは正常データにも欠陥が混ざっており（ノイズ）、製品の種類ごとにデータ量が大きく異なる（ロングテール）場合が多くあります。本論文は、ノイズをうまく除去すると希少クラスの性能が低下し、その逆も成り立つというtrade-offを発見し、両者を別々に処理します。核心は、埋め込み類似度分布の対称性を用いてクラスの大きさを推定するTailSamplerです。これをもとに、希少クラスの情報をうまく取り込みつつノイズにも強いメモリベースモデルTailedCoreを構築し、MVTecAD・VisAのほとんどの設定で最高性能を示します。
CVPR 2025
- Long-Tail
- Learning with Noisy Label
論文を見る: TailedCore: Few-shot sampling for unsupervised long-tail noisy anomaly detection
Few-Shot Segmentation Using Multi-Similarity and Attention Guidance
few-shot分割は少ない例だけで新しいクラスの物体を分割しますが、プロトタイプベクトル一つだけでは例画像の情報を十分に取り込むことが難しいです。本論文は、複数の特徴マップを比較して意味的関係をより正確に把握するmulti-similarityモジュールと、重要なクラス情報に注目させるattentionモジュールを備えたMSANetを提案します。 PASCAL-5iおよびCOCO-20iの1-shot・5-shot設定で性能を検証します。
IEEE OJCS 2025
- Few-Shot Learning
- Image Segmentation
論文を見る: Few-Shot Segmentation Using Multi-Similarity and Attention Guidance
Background-Aware Defect Generation for Robust Industrial Anomaly Detection
産業用異常検知は欠陥データが非常に少ないため、人工的に欠陥を生成して学習しますが、従来手法は欠陥と背景の関係を考慮できず、不自然な異常を生み出すことがありました。本論文は、背景はそのままに背景の文脈に馴染む欠陥のみを生成するよう、disentanglement lossとDDIM Inversionを活用するbackground-aware生成フレームワークを提案します。 MVTec-ADおよびMVTec-LOCOにおいて、欠陥生成の品質と異常検知の性能のいずれも従来手法を上回ります。
arXiv Preprint 2024
- Generative Diffusion
- Anomaly Detection
論文を見る: Background-Aware Defect Generation for Robust Industrial Anomaly Detection

Memory-Distilled Selection for Noise-Robust Anomaly Detection
産業用異常検知は、学習データに欠陥が混ざると性能が大きく低下し、通常はノイズ比率を事前に把握するか、比率ごとにハイパーパラメータを個別に調整しなければならないという限界があります。本論文は、ノイズ比率が分からなくてもうまく動作するMeDSを提案します。まずメモリをランダムにまばらに抽出してアンサンブルすると、その疎さがローパスフィルタのように作用して正常と欠陥を一次的に選別し、このスコアを復元ネットワークでdistillationした後、自ら選別したクリーンなデータでfine-tuningすることで、ピクセル単位まで精密に捉えます。比率ごとのチューニングなしでも様々なノイズに対して安定しており、MVTecADの40%ノイズで画像単位のAUROC 99.16%を記録し、VisA・Real-IADでも最高性能を達成します。さらにおまけとして、汚染されたサンプルを効率的に見つけ出すラベル校正ツールとしても利用できます。
- Learning with Noisy Label
- Anomaly Detection
ICML 2026
論文を見る
TailedCore: Few-shot sampling for unsupervised long-tail noisy anomaly detection
実際の産業データは正常データにも欠陥が混ざっており（ノイズ）、製品の種類ごとにデータ量が大きく異なる（ロングテール）場合が多くあります。本論文は、ノイズをうまく除去すると希少クラスの性能が低下し、その逆も成り立つというtrade-offを発見し、両者を別々に処理します。核心は、埋め込み類似度分布の対称性を用いてクラスの大きさを推定するTailSamplerです。これをもとに、希少クラスの情報をうまく取り込みつつノイズにも強いメモリベースモデルTailedCoreを構築し、MVTecAD・VisAのほとんどの設定で最高性能を示します。
- Long-Tail
- Learning with Noisy Label
- Anomaly Detection
CVPR 2025
論文を見る
Few-Shot Segmentation Using Multi-Similarity and Attention Guidance
few-shot分割は少ない例だけで新しいクラスの物体を分割しますが、プロトタイプベクトル一つだけでは例画像の情報を十分に取り込むことが難しいです。本論文は、複数の特徴マップを比較して意味的関係をより正確に把握するmulti-similarityモジュールと、重要なクラス情報に注目させるattentionモジュールを備えたMSANetを提案します。 PASCAL-5iおよびCOCO-20iの1-shot・5-shot設定で性能を検証します。
- Few-Shot Learning
- Image Segmentation
IEEE OJCS 2025
論文を見る
Background-Aware Defect Generation for Robust Industrial Anomaly Detection
産業用異常検知は欠陥データが非常に少ないため、人工的に欠陥を生成して学習しますが、従来手法は欠陥と背景の関係を考慮できず、不自然な異常を生み出すことがありました。本論文は、背景はそのままに背景の文脈に馴染む欠陥のみを生成するよう、disentanglement lossとDDIM Inversionを活用するbackground-aware生成フレームワークを提案します。 MVTec-ADおよびMVTec-LOCOにおいて、欠陥生成の品質と異常検知の性能のいずれも従来手法を上回ります。
- Generative Diffusion
- Anomaly Detection
arXiv Preprint 2024
論文を見る

適用事例を見る

現場で実証された技術の革新をぜひご自身でお確かめください。

複雑な条件や困難な環境でのAI転換を実現する最適な構造のパイプラインを設計してみましょう

お問い合わせ

実証された技術は、現場で結果をもって語ります。

最小限のデータで 最高のパフォーマンスを。

持続可能で、Over-A-Night Model Updateを実現する運用構造

ロボットメーカーを問わず、 過酷な環境でDexterous Manipulationを実現

Hardware Agnostic

AI Vision Driven Robotics

Modular Scalability

Precision Physical AI

現場から出発し、現場を革新する研究

Memory-Distilled Selection for Noise-Robust Anomaly Detection

TailedCore: Few-shot sampling for unsupervised long-tail noisy anomaly detection

Few-Shot Segmentation Using Multi-Similarity and Attention Guidance

Background-Aware Defect Generation for Robust Industrial Anomaly Detection