인쇄 회로 기판 (PCB) 결함 탐지는 많은 결함이 작고 복잡한 배경 패턴으로부터 구별하기 어렵기 때문에 매우 도전적인 과제입니다. 대부분의 딥러닝 (Deep Learning) 기반 PCB 검사 방법은 결함 탐지를 위해 검사 대상인 PCB 이미지에만 의존하며, 배선 (Traces), 패드 (Pads) 및 기타 PCB 구조의 예상 레이아웃을 인코딩하는 결함이 없는 참조 이미지 (Defect-free reference image)를 무시합니다. 본 연구에서는 결함 탐지 전 이미지를 강화하기 위해 탐지기 백본 (Detector backbone) 앞에 배치되는 경량화된 플러그 앤 플레이 (Plug-and-play) 입력 강화 블록인 RefDiffNet을 제안합니다. RefDiffNet은 결함이 없는 참조 이미지를 사용하여 결함을 드러내는 고전적 검사 기법의 입증된 아이디어를 딥러닝 시대로 가져옵니다. RefDiffNet은 결함이 있는 이미지와 정렬된 참조 이미지를 비교하여 참조 이미지 대비 구조적 변화를 포착하고, 경량 인코더 (Encoder)를 사용하여 결함 영역이 강조된 원본 이미지를 출력함으로써 다운스트림 탐지기 (Downstream detector)의 작업을 용이하게 만듭니다. HRIPCB 및 DeepPCB 데이터셋에 대한 실험 결과, RefDiffNet은 YOLOv8에서 YOLOv26에 이르는 원스테이지 탐지기 (One-stage detectors), 트랜스포머 (Transformer) 기반의 RT-DETR, 그리고 투스테이지 (Two-stage) Faster R-CNN을 포함한 다양한 탐지기 제품군 전반에서 일관되게 성능을 향상시킴을 보여주었습니다. RefDiffNet은 무시할 수 있는 수준의 오버헤드(단 0.004 - 0.005M의 추가 파라미터와 0.7 - 0.8 GFLOPs를 도입하여, 평가된 탐지기 파라미터 수의 최대 0.25%에 불과함)만으로 mAP50:95 기준 최대 18%의 상대적 이득을 달성했습니다. 이러한 결과는 RefDiffNet이 최소한의 계산 비용으로 PCB 결함 탐지를 실질적으로 개선하는 경량화된, 플러그 앤 플레이 방식의, 탐지기 불가지론적 (Detector-agnostic) 입력 강화 모듈임을 입증합니다.