Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
반도체 검사를 위한 정밀한 학습 데이터 생성을 위해 VLM 기반의 시각적 프로그램 합성 프레임워크를 제안합니다. 입력 이진화 전략을 통해 SEM 이미지의 질감과 노이즈를 제거함으로써 Sim-to-Real 격차를 효과적으로 해소했습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기회로 기하학(geometry)에 대한 정밀한 파라미터 제어는 반도체 검사(inspection)에 필수적이지만, 충분한 실제 학습 데이터를 확보하는 것은 여전히 비용이 많이 듭니다. Diffusion models 및 Generative Adversarial Networks (GANs)와 같은 생성 모델이 학습 데이터를 증강할 수는 있지만, 계측(metrology) 작업에 요구되는 나노미터 규모의 기하학적 정확성을 보장할 수는 없습니다. 본 논문에서는 Vision-Language Model (VLM)이 검사 이미지를 회로 기하학을 설명하는 편집 가능한 Domain-Specific Language (DSL) 코드로 변환하여, 정확한 파라미터 조작을 통해 학습 데이터를 제어하며 생성할 수 있는 시각적 프로그램 합성(visual program synthesis) 프레임워크를 제안합니다. VLM은 오직 합성된 DSL 렌더링 데이터로만 학습되기 때문에, 실제 Scanning Electron Microscope (SEM) 이미지를 처리할 때 도메인 격차(domain gap)가 발생합니다. 우리는 SEM 특유의 질감(texture)과 노이즈를 제거하여 모델이 기하학적 구조에 집중할 수 있도록 하는 입력 이진화(input binarization) 전략을 통해 이 격차를 해소합니다. MIIC 데이터셋에서 이진화된 입력은 원본 입력(raw-input) 베이스라인 대비 평균 Dice coefficient를 0.4393에서 0.5256으로 향상시켰으며, 이는 단순한 질감 추상화가 sim-to-real 격차를 실질적으로 완화함을 입증합니다.