經過驗證的技術，
在現場以成果說話。

視覺模型、異常偵測、輕量推論、營運回饋 ㅡ 將這所有環節串連為一體，打造在產線上持續進化的 AI。

聯絡我們

以最少的資料，發揮最佳的效能。

以節省 36 倍的資料，達成致命缺陷 100% 的檢出率。體驗以單一模型管理超過 7,000 項生產品項的壓倒性效率。

+27%
壓倒性的檢出效能
相較競品模型，偵測率提升 +27.2%p 降低誤判與漏判風險的檢出架構
36倍
頂尖的資料效率
將原本 155,282 張的學習資料壓縮至 4,284 張縮短初期驗證期間並減輕蒐集不良資料的負擔
100%
絕不漏失的致命缺陷
以 OOD 技術偵測未經學習的稀有缺陷降低致命缺陷外流的風險
0.3秒
即時高速資料處理
將 49.5MP 等級的工業用超高解析度影像於每張 0.3 秒內完成判讀與檢測。

差異化亮點 - AI Inspection

可永續運作、並支援 Over-A-Night Model Update 的營運架構

AIVEX 的技術並非在受控的實驗室中，而是在難以預測的真實產線上臻於完善。以透明公開的效能指標為基礎，超越一次性導入，建構出能因應現場持續進化的「AI 營運迴圈」。

比較項目

因應範圍

因應環境變化

因應檢查品項的變更

導入時的營運主體

傳統規則式檢查

仰賴最初定義的規則

從頭重新建立規則

必須依品項修改規則

由公司內部工程師維護

AIVEX 的 AI 營運解決方案

透過即時檢查結果的學習快速因應

透過檢查資料回饋進行週期性因應

藉由生成並套用新模型將資源耗用降至最低

以簡單回饋為基礎的 AI 系統營運

一般 AI 解決方案

侷限於最初學習的範圍

建立新的模型

每項品項都需反覆進行 PoC

需另行建立營運體系

比較項目

因應範圍

因應環境變化

因應檢查品項的變更

導入時的營運主體

傳統規則式檢查

仰賴最初定義的規則

從頭重新建立規則

必須依品項修改規則

由公司內部工程師維護

AIVEX 的 AI 營運解決方案

透過即時檢查結果的學習快速因應

透過檢查資料回饋進行週期性因應

藉由生成並套用新模型將資源耗用降至最低

以簡單回饋為基礎的 AI 系統營運

一般 AI 解決方案

侷限於最初學習的範圍

建立新的模型

每項品項都需反覆進行 PoC

需另行建立營運體系

差異化亮點 - AI 機器人技術

不受機器人製造商限制，於嚴苛環境中實現 Dexterous Manipulation

AIVEX 的技術將過去以機器人製造商、SI、機器人示教、配線等傳統協作方式進行的機器人專案，統整為單一的「AI 機器人整合控制平台」。

No-Code非專業人員也能使用的

Adaptive可適應多樣環境的

Hardware-Agnostic不受機器人製造商限制的

連接彈性
Hardware Agnostic
- 採用不受機器人∙相機製造商綁定的 ROS2 標準介面，使導入設備的未來價值最大化
以 AI 為基礎因應非定型物件
AI Vision Driven Robotics
- 運用 3D-Vision-AI 模型，實現非定型對象的 6-Dimentional 位置辨識與 One-step Robot-Camera Calibration
樂高積木式的擴充性
Modular Scalability
- No Code Programming
- 從 Drag&Drop 機器人程式設計，到透過各式 AI 外掛確保機器人運用的擴充性
模仿專家動作的模仿學習與強化學習
Precision Physical AI
- 透過精密組裝模仿學習模型的訓練、Sim2Real 資料擴增技術及強化學習 Fine Tuning，實現 Physical-AI 最佳化

經過驗證的論文

源自現場、革新現場的研究

AIVEX 的所有研究都源自真實產線上的課題。歷經學界嚴格驗證的技術，再回到產業現場，成為最確切的解決方案。

Memory-Distilled Selection for Noise-Robust Anomaly Detection
工業異常檢測中，一旦訓練資料混入缺陷效能便會大幅下降，且通常需要事先知道雜訊比例，或針對每種比例分別調整超參數，存在這一侷限。本論文提出即使不知道雜訊比例也能良好運行的MeDS。首先將記憶體隨機稀疏地抽取並集成，其稀疏性會像低通濾波器一樣發揮作用，對正常與缺陷進行初步篩選；將該分數透過復原網路進行distillation後，再用自身篩選出的乾淨資料進行fine-tuning，從而精確到像素級別地捕捉異常。無需按比例調參即可在各種雜訊下保持穩定，在MVTecAD 40%雜訊下取得影像級AUROC 99.16%，在VisA與Real-IAD上也達到最佳效能。此外，它還可作為高效查找受污染樣本的標籤校正工具使用。
ICML 2026
- Learning with Noisy Label
- Anomaly Detection
查看論文: Memory-Distilled Selection for Noise-Robust Anomaly Detection
TailedCore: Few-shot sampling for unsupervised long-tail noisy anomaly detection
實際的工業資料中，正常資料裡也往往混有缺陷（雜訊），且不同產品種類的資料量差異巨大（長尾）。本論文發現，若有效過濾雜訊則稀有類別效能會下降，反之亦然，存在這一trade-off，因而對二者分別處理。其核心是利用嵌入相似度分布的對稱性來估計類別規模的TailSampler。在此基礎上構建出既能充分容納稀有類別資訊、又對雜訊穩健的基於記憶體的模型TailedCore，在MVTecAD與VisA的絕大多數設定下均取得最佳效能。
CVPR 2025
- Long-Tail
- Learning with Noisy Label
查看論文: TailedCore: Few-shot sampling for unsupervised long-tail noisy anomaly detection
Few-Shot Segmentation Using Multi-Similarity and Attention Guidance
few-shot分割僅憑少量示例就要分割新類別的物體，但僅靠單一原型向量難以充分容納示例影像的資訊。本論文提出MSANet，其配備了透過比較多個特徵圖以更準確把握語義關係的multi-similarity模組，以及使模型聚焦於重要類別資訊的attention模組。在PASCAL-5i與COCO-20i的1-shot、5-shot設定下驗證了效能。
IEEE OJCS 2025
- Few-Shot Learning
- Image Segmentation
查看論文: Few-Shot Segmentation Using Multi-Similarity and Attention Guidance
Background-Aware Defect Generation for Robust Industrial Anomaly Detection
工業異常檢測中缺陷資料極為稀少，因此通常透過人工生成缺陷進行訓練，但現有方法未能考量缺陷與背景之間的關係，往往生成不自然的異常。本論文提出一種background-aware生成框架，利用disentanglement loss與DDIM Inversion，在保持背景不變的前提下，僅生成與背景語境相契合的缺陷。在MVTec-AD與MVTec-LOCO上，無論是缺陷生成品質還是異常檢測效能，均超越現有方法。
arXiv Preprint 2024
- Generative Diffusion
- Anomaly Detection
查看論文: Background-Aware Defect Generation for Robust Industrial Anomaly Detection

Memory-Distilled Selection for Noise-Robust Anomaly Detection
工業異常檢測中，一旦訓練資料混入缺陷效能便會大幅下降，且通常需要事先知道雜訊比例，或針對每種比例分別調整超參數，存在這一侷限。本論文提出即使不知道雜訊比例也能良好運行的MeDS。首先將記憶體隨機稀疏地抽取並集成，其稀疏性會像低通濾波器一樣發揮作用，對正常與缺陷進行初步篩選；將該分數透過復原網路進行distillation後，再用自身篩選出的乾淨資料進行fine-tuning，從而精確到像素級別地捕捉異常。無需按比例調參即可在各種雜訊下保持穩定，在MVTecAD 40%雜訊下取得影像級AUROC 99.16%，在VisA與Real-IAD上也達到最佳效能。此外，它還可作為高效查找受污染樣本的標籤校正工具使用。
- Learning with Noisy Label
- Anomaly Detection
ICML 2026
查看論文
TailedCore: Few-shot sampling for unsupervised long-tail noisy anomaly detection
實際的工業資料中，正常資料裡也往往混有缺陷（雜訊），且不同產品種類的資料量差異巨大（長尾）。本論文發現，若有效過濾雜訊則稀有類別效能會下降，反之亦然，存在這一trade-off，因而對二者分別處理。其核心是利用嵌入相似度分布的對稱性來估計類別規模的TailSampler。在此基礎上構建出既能充分容納稀有類別資訊、又對雜訊穩健的基於記憶體的模型TailedCore，在MVTecAD與VisA的絕大多數設定下均取得最佳效能。
- Long-Tail
- Learning with Noisy Label
- Anomaly Detection
CVPR 2025
查看論文
Few-Shot Segmentation Using Multi-Similarity and Attention Guidance
few-shot分割僅憑少量示例就要分割新類別的物體，但僅靠單一原型向量難以充分容納示例影像的資訊。本論文提出MSANet，其配備了透過比較多個特徵圖以更準確把握語義關係的multi-similarity模組，以及使模型聚焦於重要類別資訊的attention模組。在PASCAL-5i與COCO-20i的1-shot、5-shot設定下驗證了效能。
- Few-Shot Learning
- Image Segmentation
IEEE OJCS 2025
查看論文
Background-Aware Defect Generation for Robust Industrial Anomaly Detection
工業異常檢測中缺陷資料極為稀少，因此通常透過人工生成缺陷進行訓練，但現有方法未能考量缺陷與背景之間的關係，往往生成不自然的異常。本論文提出一種background-aware生成框架，利用disentanglement loss與DDIM Inversion，在保持背景不變的前提下，僅生成與背景語境相契合的缺陷。在MVTec-AD與MVTec-LOCO上，無論是缺陷生成品質還是異常檢測效能，均超越現有方法。
- Generative Diffusion
- Anomaly Detection
arXiv Preprint 2024
查看論文

查看應用案例

親自確認在現場獲得驗證的技術革新。

為複雜條件與嚴苛環境下的 AI 轉型，設計最合適架構的流程管線吧

聯絡我們

經過驗證的技術，在現場以成果說話。

以最少的資料， 發揮最佳的效能。

可永續運作、並支援 Over-A-Night Model Update 的營運架構

不受機器人製造商限制， 於嚴苛環境中實現 Dexterous Manipulation

Hardware Agnostic

AI Vision Driven Robotics

Modular Scalability

Precision Physical AI

源自現場、革新現場的研究

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