검증된 기술은,
현장에서 결과로 말합니다.

비전 모델, 이상 탐지, 경량 추론, 운영 피드백 ㅡ 이 모든 단계를 하나로 연결해, 라인 위에서 발전하는 AI를 만듭니다.

문의하기

최소한의 데이터로 최고의 성능을

36배 절감된 데이터로 치명 결함 검출률 100%를 달성했습니다. 7,000개 이상의 생산 품목을 단일 모델로 관리하는 압도적 효율을 경험하세요.

+27%
압도적인 검출 성능
경쟁 모델 대비 탐지율 +27.2%p 향상 오탐 및 미탐 리스크를 낮추는 검출 구조
36배
최고의 데이터 효율
기존 155,282장의 학습 데이터를 4,284장으로 압축 초기 검증 기간 및 불량 데이터 확보 부담을 단축
100%
놓치지 않는 치명 결함
OOD 기술로 미학습 희소 결함 탐지 치명 결함의 외부 유출 리스크 저감
0.3초
실시간 고속 데이터 처리
49.5MP 수준의 산업용 초고해상도 이미지를 장당 0.3초 이내로 파악하고 검사합니다.

차별화 포인트 - AI 검사

지속 가능하며, Over-A-Night Model Update가 가능한 운영구조

아이벡스의 기술은 통제된 실험실이 아닌, 예측 불가능한 실제 라인에서 완성됩니다. 투명하게 공개되는 성능 지표를 바탕으로, 단발성 도입을 넘어 현장에 맞게 끊임없이 진화하는 'AI 운영 루프'를 구축합니다.

비교 항목

대응 범위

환경 변화에 따른 대응

검사 품목 수정 대응

도입시 운영 주체

기존 룰 베이스 검사

최초 정의한 규칙에 의존

규칙을 처음부터 다시 정립

품목에 따른 규칙 필수 수정

사내 엔지니어의 유지보수

아이벡스의 AI 운영 솔루션

실시간 검사 결과 학습으로 빠른 대응

검사데이터 피드백을 통한 주기적 대응

신규 모델 생성 및 적용으로 리소스 최소화

간단한 피드백 기반의 AI 시스템 운영

일반 AI 솔루션

최초 학습에 한정된 범위

신규 모델을 생성

품목마다 PoC 반복

운영 체계 확립 별도 진행

비교 항목

대응 범위

환경 변화에 따른 대응

검사 품목 수정 대응

도입시 운영 주체

기존 룰 베이스 검사

최초 정의한 규칙에 의존

규칙을 처음부터 다시 정립

품목에 따른 규칙 필수 수정

사내 엔지니어의 유지보수

아이벡스의 AI 운영 솔루션

실시간 검사 결과 학습으로 빠른 대응

검사데이터 피드백을 통한 주기적 대응

신규 모델 생성 및 적용으로 리소스 최소화

간단한 피드백 기반의 AI 시스템 운영

일반 AI 솔루션

최초 학습에 한정된 범위

신규 모델을 생성

품목마다 PoC 반복

운영 체계 확립 별도 진행

차별화 포인트 - AI 로보틱스

로봇 제조사에 관계 없이, 거친 환경에서 Dexterous Manipulation 가능

아이벡스의 기술은 로봇제조사, SI, 로봇 티칭, 전장 등 전통적 협업 방식으로 진행하던 로보틱스 프로젝트를 단일의 'AI로보틱스 통합 제어 플랫폼'으로 일원화합니다.

No-Code비전문가도 사용할 수 있는

Adaptive다양한 환경에 적응하는

Hardware-Agnostic로봇 제조사에 관계 없는

연결 유연성
Hardware Agnostic
- 로봇∙카메라 제조사 종속 없는 ROS2 기반 표준 인터페이스로 도입장비의 미래가치 극대화
AI 기반 비정형 사물 대응
AI Vision Driven Robotics
- 3D-Vision-AI 모델을 이용한 비정형 대상체의 6-Dimentional 위치 인식 및 One-step Robot-Camera Calibration
레고 블록형 확장성
Modular Scalability
- No Code Programming
- Drag&Drop 로봇 프로그램부터 각종 AI 플러그인을 통한 로봇 사용 확장성 보장
전문가의 행동을 모방하는 모방학습 & 강화학습
Precision Physical AI
- 정밀 조립 모방학습 모델 학습, Sim2Real 데이터 증강 기술 및 강화학습 Fine Tuning을 통한 Physical-AI 최적화

검증된 논문

현장에서 출발해 현장을 혁신하는 연구

아이벡스의 모든 연구는 실제 라인의 고민에서 출발합니다. 학계의 엄격한 검증을 거친 기술은 다시 산업 현장으로 돌아와 가장 확실한 해결책이 됩니다.

Memory-Distilled Selection for Noise-Robust Anomaly Detection
산업 이상 탐지는 학습 데이터에 결함이 섞이면 성능이 크게 떨어지고, 보통은 노이즈 비율을 미리 알거나 비율마다 하이퍼파라미터를 따로 맞춰야 하는 한계가 있습니다. 이 논문은 노이즈 비율을 몰라도 잘 동작하는 MeDS를 제안합니다. 먼저 메모리를 무작위로 듬성듬성 뽑아 앙상블하면 그 희소함이 저역 통과 필터처럼 작동해 정상과 결함을 1차로 걸러주고, 이 점수를 복원 네트워크로 distillation한 뒤, 스스로 걸러낸 깨끗한 데이터로 fine-tuning해 픽셀 단위까지 정밀하게 잡아냅니다. 비율별 튜닝 없이도 다양한 노이즈에서 안정적이며, MVTecAD 40% 노이즈에서 이미지 단위 AUROC 99.16%를 기록하고 VisA·Real-IAD에서도 최고 성능을 냅니다. 덤으로 오염된 샘플을 효율적으로 찾아내는 라벨 교정 도구로도 쓸 수 있습니다.
ICML 2026
- Learning with Noisy Label
- Anomaly Detection
논문 살펴보기: Memory-Distilled Selection for Noise-Robust Anomaly Detection
TailedCore: Few-shot sampling for unsupervised long-tail noisy anomaly detection
실제 산업 데이터는 정상 데이터에도 결함이 섞여 있고(노이즈), 제품 종류별 데이터 양이 크게 차이 나는(롱테일) 경우가 많습니다. 이 논문은 노이즈를 잘 거르면 희귀 클래스 성능이 떨어지고 그 반대도 성립하는 trade-off를 발견하고, 둘을 따로 처리합니다. 핵심은 임베딩 유사도 분포의 대칭성을 이용해 클래스 크기를 추정하는 TailSampler입니다. 이를 바탕으로 희귀 클래스 정보를 잘 담으면서 노이즈에도 강한 메모리 기반 모델 TailedCore를 만들어, MVTecAD·VisA의 대부분 설정에서 최고 성능을 보입니다.
CVPR 2025
- Long-Tail
- Learning with Noisy Label
논문 살펴보기: TailedCore: Few-shot sampling for unsupervised long-tail noisy anomaly detection
Few-Shot Segmentation Using Multi-Similarity and Attention Guidance
few-shot 분할은 적은 예시만으로 새로운 클래스의 객체를 분할하는데, 프로토타입 벡터 하나만으로는 예시 이미지의 정보를 충분히 담기 어렵습니다. 이 논문은 여러 특징맵을 비교해 의미적 관계를 더 정확히 파악하는 multi-similarity 모듈과, 중요한 클래스 정보에 집중하게 하는 attention 모듈을 갖춘 MSANet을 제안합니다. PASCAL-5i와 COCO-20i의 1-shot·5-shot 설정에서 성능을 검증합니다.
IEEE OJCS 2025
- Few-Shot Learning
- Image Segmentation
논문 살펴보기: Few-Shot Segmentation Using Multi-Similarity and Attention Guidance
Background-Aware Defect Generation for Robust Industrial Anomaly Detection
산업 이상 탐지는 결함 데이터가 워낙 적어 인공적으로 결함을 만들어 학습하는데, 기존 방법은 결함과 배경의 관계를 고려하지 못해 부자연스러운 이상을 만들곤 합니다. 이 논문은 배경은 그대로 둔 채 배경 맥락에 어울리는 결함만 생성하도록, disentanglement loss와 DDIM Inversion을 활용하는 background-aware 생성 프레임워크를 제안합니다. MVTec-AD와 MVTec-LOCO에서 결함 생성 품질과 이상 탐지 성능 모두 기존 방법을 앞섭니다.
arXiv Preprint 2024
- Generative Diffusion
- Anomaly Detection
논문 살펴보기: Background-Aware Defect Generation for Robust Industrial Anomaly Detection

Memory-Distilled Selection for Noise-Robust Anomaly Detection
산업 이상 탐지는 학습 데이터에 결함이 섞이면 성능이 크게 떨어지고, 보통은 노이즈 비율을 미리 알거나 비율마다 하이퍼파라미터를 따로 맞춰야 하는 한계가 있습니다. 이 논문은 노이즈 비율을 몰라도 잘 동작하는 MeDS를 제안합니다. 먼저 메모리를 무작위로 듬성듬성 뽑아 앙상블하면 그 희소함이 저역 통과 필터처럼 작동해 정상과 결함을 1차로 걸러주고, 이 점수를 복원 네트워크로 distillation한 뒤, 스스로 걸러낸 깨끗한 데이터로 fine-tuning해 픽셀 단위까지 정밀하게 잡아냅니다. 비율별 튜닝 없이도 다양한 노이즈에서 안정적이며, MVTecAD 40% 노이즈에서 이미지 단위 AUROC 99.16%를 기록하고 VisA·Real-IAD에서도 최고 성능을 냅니다. 덤으로 오염된 샘플을 효율적으로 찾아내는 라벨 교정 도구로도 쓸 수 있습니다.
- Learning with Noisy Label
- Anomaly Detection
ICML 2026
논문 살펴보기
TailedCore: Few-shot sampling for unsupervised long-tail noisy anomaly detection
실제 산업 데이터는 정상 데이터에도 결함이 섞여 있고(노이즈), 제품 종류별 데이터 양이 크게 차이 나는(롱테일) 경우가 많습니다. 이 논문은 노이즈를 잘 거르면 희귀 클래스 성능이 떨어지고 그 반대도 성립하는 trade-off를 발견하고, 둘을 따로 처리합니다. 핵심은 임베딩 유사도 분포의 대칭성을 이용해 클래스 크기를 추정하는 TailSampler입니다. 이를 바탕으로 희귀 클래스 정보를 잘 담으면서 노이즈에도 강한 메모리 기반 모델 TailedCore를 만들어, MVTecAD·VisA의 대부분 설정에서 최고 성능을 보입니다.
- Long-Tail
- Learning with Noisy Label
- Anomaly Detection
CVPR 2025
논문 살펴보기
Few-Shot Segmentation Using Multi-Similarity and Attention Guidance
few-shot 분할은 적은 예시만으로 새로운 클래스의 객체를 분할하는데, 프로토타입 벡터 하나만으로는 예시 이미지의 정보를 충분히 담기 어렵습니다. 이 논문은 여러 특징맵을 비교해 의미적 관계를 더 정확히 파악하는 multi-similarity 모듈과, 중요한 클래스 정보에 집중하게 하는 attention 모듈을 갖춘 MSANet을 제안합니다. PASCAL-5i와 COCO-20i의 1-shot·5-shot 설정에서 성능을 검증합니다.
- Few-Shot Learning
- Image Segmentation
IEEE OJCS 2025
논문 살펴보기
Background-Aware Defect Generation for Robust Industrial Anomaly Detection
산업 이상 탐지는 결함 데이터가 워낙 적어 인공적으로 결함을 만들어 학습하는데, 기존 방법은 결함과 배경의 관계를 고려하지 못해 부자연스러운 이상을 만들곤 합니다. 이 논문은 배경은 그대로 둔 채 배경 맥락에 어울리는 결함만 생성하도록, disentanglement loss와 DDIM Inversion을 활용하는 background-aware 생성 프레임워크를 제안합니다. MVTec-AD와 MVTec-LOCO에서 결함 생성 품질과 이상 탐지 성능 모두 기존 방법을 앞섭니다.
- Generative Diffusion
- Anomaly Detection
arXiv Preprint 2024
논문 살펴보기

적용 사례 보기

현장에서 증명된 기술의 혁신을 직접 확인해보세요.

복잡한 조건과 어려운 환경의 AI 전환을 실현하는 적합한 구조의 파이프라인을 설계해보세요

문의하기

검증된 기술은,현장에서 결과로 말합니다.

최소한의 데이터로 최고의 성능을

지속 가능하며, Over-A-Night Model Update가 가능한 운영구조

로봇 제조사에 관계 없이, 거친 환경에서 Dexterous Manipulation 가능

Hardware Agnostic

AI Vision Driven Robotics

Modular Scalability

Precision Physical AI

현장에서 출발해 현장을 혁신하는 연구

Memory-Distilled Selection for Noise-Robust Anomaly Detection

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