经过验证的技术，
在现场用结果说话。

视觉模型、异常检测、轻量化推理、运营反馈 ㅡ 将这些环节全部连为一体，打造在产线上持续进化的 AI。

联系我们

以最少的数据，实现最佳的性能。

我们以减少 36 倍的数据，实现了致命缺陷 100% 的检出率。体验用单一模型管理 7,000 多个生产品类的压倒性效率。

+27%
压倒性的检测性能
相较竞品模型，检出率提升 +27.2%p 降低误检与漏检风险的检测架构
36倍
极致的数据效率
将原本 155,282 张训练数据压缩至 4,284 张缩短初期验证周期，减轻不良数据采集负担
100%
绝不放过致命缺陷
以 OOD 技术检测未学习的稀有缺陷降低致命缺陷外流的风险
0.3秒
实时高速数据处理
对 49.5MP 级别的工业超高分辨率图像，每张在 0.3 秒内完成识别与检测。

差异化优势 - AI Inspection

可持续运行、支持 Over-A-Night Model Update 的运营架构

AIVEX 的技术并非在受控的实验室中完成，而是在不可预测的真实产线上锤炼成型。基于透明公开的性能指标，超越一次性部署，构建贴合现场、持续进化的「AI 运营闭环」。

对比项目

应对范围

应对环境变化

应对检测品类变更

导入后的运营主体

传统规则式检测

依赖最初定义的规则

从头重新制定规则

必须按品类修改规则

由公司内部工程师维护

AIVEX 的 AI 运营解决方案

通过实时检测结果学习，实现快速应对

通过检测数据反馈进行周期性应对

通过生成并应用新模型，将资源占用降至最低

基于简单反馈的 AI 系统运营

通用 AI 解决方案

局限于初次学习的范围

生成新模型

每个品类反复进行 PoC

需另行建立运营体系

对比项目

应对范围

应对环境变化

应对检测品类变更

导入后的运营主体

传统规则式检测

依赖最初定义的规则

从头重新制定规则

必须按品类修改规则

由公司内部工程师维护

AIVEX 的 AI 运营解决方案

通过实时检测结果学习，实现快速应对

通过检测数据反馈进行周期性应对

通过生成并应用新模型，将资源占用降至最低

基于简单反馈的 AI 系统运营

通用 AI 解决方案

局限于初次学习的范围

生成新模型

每个品类反复进行 PoC

需另行建立运营体系

差异化优势 - AI 机器人

不限机器人厂商，在严苛环境中实现 Dexterous Manipulation

AIVEX 的技术将以往依靠机器人厂商、SI、机器人示教、布线等传统协作方式推进的机器人项目，统一整合为单一的「AI 机器人一体化控制平台」。

No-Code非专业人员也能使用

Adaptive适应多样化环境

Hardware-Agnostic不限机器人厂商

连接灵活性
Hardware Agnostic
- 采用不依赖机器人∙相机厂商的 ROS2 标准接口，最大化所导入设备的未来价值
基于 AI 的非标准物体应对
AI Vision Driven Robotics
- 利用 3D-Vision-AI 模型实现非标准对象的 6-Dimentional 位置识别及 One-step Robot-Camera Calibration
乐高积木式扩展性
Modular Scalability
- No Code Programming
- 从 Drag&Drop 机器人编程到各类 AI 插件，保障机器人应用的扩展性
模仿专家行为的模仿学习与强化学习
Precision Physical AI
- 通过精密装配模仿学习模型训练、Sim2Real 数据增强技术及强化学习 Fine Tuning，实现 Physical-AI 优化

经过验证的论文

从现场出发、革新现场的研究

AIVEX 的所有研究都源自真实产线的痛点。经过学界严格验证的技术，重新回到产业现场，成为最确切的解决方案。

Memory-Distilled Selection for Noise-Robust Anomaly Detection
工业异常检测中，一旦训练数据混入缺陷性能便会大幅下降，且通常需要事先知道噪声比例，或针对每种比例分别调整超参数，存在这一局限。本论文提出即使不知道噪声比例也能良好运行的MeDS。首先将内存随机稀疏地抽取并集成，其稀疏性会像低通滤波器一样发挥作用，对正常与缺陷进行初步筛选；将该分数通过复原网络进行distillation后，再用自身筛选出的干净数据进行fine-tuning，从而精确到像素级别地捕捉异常。无需按比例调参即可在各种噪声下保持稳定，在MVTecAD 40%噪声下取得图像级AUROC 99.16%，在VisA与Real-IAD上也达到最佳性能。此外，它还可作为高效查找受污染样本的标签校正工具使用。
ICML 2026
- Learning with Noisy Label
- Anomaly Detection
查阅论文: Memory-Distilled Selection for Noise-Robust Anomaly Detection
TailedCore: Few-shot sampling for unsupervised long-tail noisy anomaly detection
实际的工业数据中，正常数据里也往往混有缺陷（噪声），且不同产品种类的数据量差异巨大（长尾）。本论文发现，若有效过滤噪声则稀有类别性能会下降，反之亦然，存在这一trade-off，因而对二者分别处理。其核心是利用嵌入相似度分布的对称性来估计类别规模的TailSampler。在此基础上构建出既能充分容纳稀有类别信息、又对噪声鲁棒的基于内存的模型TailedCore，在MVTecAD与VisA的绝大多数设定下均取得最佳性能。
CVPR 2025
- Long-Tail
- Learning with Noisy Label
查阅论文: TailedCore: Few-shot sampling for unsupervised long-tail noisy anomaly detection
Few-Shot Segmentation Using Multi-Similarity and Attention Guidance
few-shot分割仅凭少量示例就要分割新类别的物体，但仅靠单一原型向量难以充分容纳示例图像的信息。本论文提出MSANet，其配备了通过比较多个特征图以更准确把握语义关系的multi-similarity模块，以及使模型聚焦于重要类别信息的attention模块。在PASCAL-5i与COCO-20i的1-shot、5-shot设定下验证了性能。
IEEE OJCS 2025
- Few-Shot Learning
- Image Segmentation
查阅论文: Few-Shot Segmentation Using Multi-Similarity and Attention Guidance
Background-Aware Defect Generation for Robust Industrial Anomaly Detection
工业异常检测中缺陷数据极为稀少，因此通常通过人工生成缺陷进行训练，但现有方法未能考虑缺陷与背景之间的关系，往往生成不自然的异常。本论文提出一种background-aware生成框架，利用disentanglement loss与DDIM Inversion，在保持背景不变的前提下，仅生成与背景语境相契合的缺陷。在MVTec-AD与MVTec-LOCO上，无论是缺陷生成质量还是异常检测性能，均超越现有方法。
arXiv Preprint 2024
- Generative Diffusion
- Anomaly Detection
查阅论文: Background-Aware Defect Generation for Robust Industrial Anomaly Detection

Memory-Distilled Selection for Noise-Robust Anomaly Detection
工业异常检测中，一旦训练数据混入缺陷性能便会大幅下降，且通常需要事先知道噪声比例，或针对每种比例分别调整超参数，存在这一局限。本论文提出即使不知道噪声比例也能良好运行的MeDS。首先将内存随机稀疏地抽取并集成，其稀疏性会像低通滤波器一样发挥作用，对正常与缺陷进行初步筛选；将该分数通过复原网络进行distillation后，再用自身筛选出的干净数据进行fine-tuning，从而精确到像素级别地捕捉异常。无需按比例调参即可在各种噪声下保持稳定，在MVTecAD 40%噪声下取得图像级AUROC 99.16%，在VisA与Real-IAD上也达到最佳性能。此外，它还可作为高效查找受污染样本的标签校正工具使用。
- Learning with Noisy Label
- Anomaly Detection
ICML 2026
查阅论文
TailedCore: Few-shot sampling for unsupervised long-tail noisy anomaly detection
实际的工业数据中，正常数据里也往往混有缺陷（噪声），且不同产品种类的数据量差异巨大（长尾）。本论文发现，若有效过滤噪声则稀有类别性能会下降，反之亦然，存在这一trade-off，因而对二者分别处理。其核心是利用嵌入相似度分布的对称性来估计类别规模的TailSampler。在此基础上构建出既能充分容纳稀有类别信息、又对噪声鲁棒的基于内存的模型TailedCore，在MVTecAD与VisA的绝大多数设定下均取得最佳性能。
- Long-Tail
- Learning with Noisy Label
- Anomaly Detection
CVPR 2025
查阅论文
Few-Shot Segmentation Using Multi-Similarity and Attention Guidance
few-shot分割仅凭少量示例就要分割新类别的物体，但仅靠单一原型向量难以充分容纳示例图像的信息。本论文提出MSANet，其配备了通过比较多个特征图以更准确把握语义关系的multi-similarity模块，以及使模型聚焦于重要类别信息的attention模块。在PASCAL-5i与COCO-20i的1-shot、5-shot设定下验证了性能。
- Few-Shot Learning
- Image Segmentation
IEEE OJCS 2025
查阅论文
Background-Aware Defect Generation for Robust Industrial Anomaly Detection
工业异常检测中缺陷数据极为稀少，因此通常通过人工生成缺陷进行训练，但现有方法未能考虑缺陷与背景之间的关系，往往生成不自然的异常。本论文提出一种background-aware生成框架，利用disentanglement loss与DDIM Inversion，在保持背景不变的前提下，仅生成与背景语境相契合的缺陷。在MVTec-AD与MVTec-LOCO上，无论是缺陷生成质量还是异常检测性能，均超越现有方法。
- Generative Diffusion
- Anomaly Detection
arXiv Preprint 2024
查阅论文

查看应用案例

亲自见证经现场验证的技术革新。

为复杂条件与严苛环境下的 AI 转型，设计架构契合的合适流水线

联系我们

经过验证的技术，在现场用结果说话。

以最少的数据， 实现最佳的性能。

可持续运行、支持 Over-A-Night Model Update 的运营架构

不限机器人厂商， 在严苛环境中实现 Dexterous Manipulation

Hardware Agnostic

AI Vision Driven Robotics

Modular Scalability

Precision Physical AI

从现场出发、革新现场的研究

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