TW202203147A - 修正拓樸影像資料中方向性漂移的裝置與方法 - Google Patents
修正拓樸影像資料中方向性漂移的裝置與方法 Download PDFInfo
- Publication number
- TW202203147A TW202203147A TW110111369A TW110111369A TW202203147A TW 202203147 A TW202203147 A TW 202203147A TW 110111369 A TW110111369 A TW 110111369A TW 110111369 A TW110111369 A TW 110111369A TW 202203147 A TW202203147 A TW 202203147A
- Authority
- TW
- Taiwan
- Prior art keywords
- values
- image data
- neural network
- range
- directional
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 30
- 238000013528 artificial neural network Methods 0.000 claims abstract description 74
- 238000012549 training Methods 0.000 claims description 31
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000012876 topography Methods 0.000 abstract description 2
- 238000010606 normalization Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 238000003384 imaging method Methods 0.000 description 10
- 238000012937 correction Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 7
- 230000000007 visual effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 239000012925 reference material Substances 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 208000009119 Giant Axonal Neuropathy Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000000089 atomic force micrograph Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 201000003382 giant axonal neuropathy 1 Diseases 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000005641 tunneling Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01Q—SCANNING-PROBE TECHNIQUES OR APPARATUS; APPLICATIONS OF SCANNING-PROBE TECHNIQUES, e.g. SCANNING PROBE MICROSCOPY [SPM]
- G01Q30/00—Auxiliary means serving to assist or improve the scanning probe techniques or apparatus, e.g. display or data processing devices
- G01Q30/04—Display or data processing devices
- G01Q30/06—Display or data processing devices for error compensation
-
- G—PHYSICS
- G02—OPTICS
- G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
- G02B21/00—Microscopes
- G02B21/24—Base structure
- G02B21/241—Devices for focusing
- G02B21/245—Devices for focusing using auxiliary sources, detectors
-
- G—PHYSICS
- G02—OPTICS
- G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
- G02B21/00—Microscopes
- G02B21/24—Base structure
- G02B21/26—Stages; Adjusting means therefor
-
- G—PHYSICS
- G02—OPTICS
- G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
- G02B21/00—Microscopes
- G02B21/36—Microscopes arranged for photographic purposes or projection purposes or digital imaging or video purposes including associated control and data processing arrangements
- G02B21/365—Control or image processing arrangements for digital or video microscopes
- G02B21/367—Control or image processing arrangements for digital or video microscopes providing an output produced by processing a plurality of individual source images, e.g. image tiling, montage, composite images, depth sectioning, image comparison
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/60—Image enhancement or restoration using machine learning, e.g. neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Optics & Photonics (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
一種用於修正拓樸影像資料中之方向性漂移之裝置,其包括:一接收器,其經組態以接收呈一原始資料格式之該拓樸影像資料,其中該拓樸影像資料包括表示一拓樸之空間座標之值,且其中該等值係在一第一範圍內;一處理器,其經組態以將該拓樸影像資料之該等值正規化至一第二範圍;及一可訓練神經網路,其經組態以接收具有經正規化值之該拓樸影像資料且移除該等經正規化值之一方向性漂移,其中,在由該神經網路移除該方向性漂移之後,該處理器經組態以將該等值反正規化,特定而言係反正規化至該第一範圍,以產生經修正拓樸影像資料。
Description
本發明係關於一種修正拓樸影像資料中方向性漂移的裝置與方法。
3D拓樸成像系統(諸如原子力顯微鏡(AFM)或輪廓儀)可用於以微米級或奈米級解析度記錄表面之拓樸影像。例如,此類系統用於半導體裝置之缺陷檢驗及尺寸量測。
然而,通常在一拓樸影像之獲取期間,在垂直方向上之一漂移在經記錄拓樸上疊加。此漂移可由成像系統之瑕疵或不對準(例如,一輪廓儀之一探頭或一壓電掃描機之漂移或非線性)造成。此外,該漂移可由樣本或一載台(在取樣時)並不完全平坦之事實造成。
此一漂移表示拓樸影像中難以移除之一假影。例如,漂移之移除需要人工輸入及對是否適當地完成了該移除之一後續評估。因此,修正可係耗時的且可端視操作者而在影像間有差異。
因此,一目標係提供一種用於修正拓樸影像資料中之方向性漂移之經改良裝置及經改良方法。特定而言,應避免上文所提及之缺點。
該目標係藉由在封閉獨立技術方案中提供之解決方案而達成。本發明之有利實施方案進一步在附屬技術方案中定義。
根據一第一態樣,本發明係關於一種用於修正拓樸影像資料中之一方向性漂移之裝置,其包括:一接收器,其經組態以接收呈一原始資料格式之該拓樸影像資料,其中該拓樸影像資料包括表示一拓樸之空間座標之值,且其中該等值係在一第一範圍內;一處理器,其經組態以將該拓樸影像資料之該等值正規化至一第二範圍;及一可訓練神經網路,其經組態以接收具有經正規化值之該拓樸影像資料且移除該等經正規化值之該方向性漂移,其中,在由該可訓練神經網路移除該方向性漂移之後,該處理器經組態以將該等值反正規化,特定而言係反正規化至該第一範圍,以產生經修正拓樸影像資料。
此達成可高效率地修正拓樸影像資料中之方向性漂移之優點。特定而言,與由一操作者執行之一修正相比,此修正可係更快、更準確且更可擴縮的(亦即,針對不同影像均勻地)。因此,可使一拓樸影像之修正自動化。
較佳地,拓樸影像資料包括一表面(例如,一晶圓或一半導體裝置之表面)之一拓樸影像(特定而言,一3D拓樸影像)之原始資料。特定而言,拓樸影像展示表面之一拓樸。舉例而言,拓樸影像展示基本上在一水平xy方向上延伸且包括至少部分地沿一垂直z方向延伸之結構之一表面。
方向性漂移可係影像資料中之一垂直漂移。特定而言,方向性漂移包括在垂直於經記錄表面延伸所沿之一xy方向之z方向上之一漂移。替代地或另外,方向性漂移可係一水平漂移,例如,方向性漂移包括在x方向及/或y方向上之一漂移。方向性漂移可係拓樸影像中之一不想要假影。
方向性漂移可在拓樸之空間座標上疊加。空間座標可係包括x、y及z分量之三維座標。特定而言,空間座標包括z值,亦即,在z方向上之座標。
特定而言,拓樸影像資料係利用一拓樸成像系統(諸如一原子力顯微鏡(AFM)、一掃描穿隧顯微鏡(STM)、一機械輪廓儀或一光學輪廓儀(例如,一基於干涉之輪廓儀))記錄。方向性漂移可由此成像系統之瑕疵或不對準造成。
該裝置可係一資料處理裝置,例如一電腦。該接收器可包括用於接收拓樸影像資料之一介面。特定而言,該接收器可經由一通信鏈路連接至拓樸成像系統以直接接收拓樸影像資料。替代地,該接收器可包括用於連接一資料儲存裝置之一介面(例如,一USB介面)或用於上載拓樸影像資料之一通信網路。
在另一實施例中,該裝置整合於一拓樸影像系統(例如,一AFM)中。以此方式,影像系統可產生已經修正的拓樸影像。
該可訓練神經網路可由該裝置之另一處理器執行。替代地,該可訓練神經網路可由執行正規化之處理器執行。特定而言,該神經網路(較佳地,其中實施該神經網路之處理器)執行一機器學習演算法以修正拓樸影像資料。
較佳地,該第二範圍係自-1之一最小值擴展至+1之一最大值之一範圍。
在一實施例中,該處理器經組態以藉由將該等值圍繞零中心化而將該等值正規化。
此達成可將拓樸影像資料高效率地正規化之優點。特定而言,經正規化影像資料可由利用具有相同正規化之影像訓練之神經網路更好地處理。
在一實施例中,該處理器經組態以藉由自該等值減去該等值之一平均值且藉由隨後將該等值除以一標準偏差之一整數倍而將該等值正規化。
此達成可將拓樸影像資料高效率地正規化之優點。特定而言,經正規化影像資料可由利用具有相同正規化之影像訓練之神經網路更好地處理。
在一實施例中,該處理器經組態以藉由將該等值乘以一因數而將該等值反正規化。
此達成可高效率地產生在與原影像相同之範圍內且具有經修正漂移之一經修正拓樸影像之優點。
在一實施例中,該處理器經組態以基於在該移除該方向性漂移之前在該第一範圍內之該等值之一空間梯度且基於在移除該方向性漂移之後在該第二範圍內之該等值之一空間梯度而判定該因數。
此達成可高效率地執行反正規化之優點。
在一實施例中,該原始資料格式係一ASCII資料格式。
在一實施例中,該可訓練神經網路包括一生成對抗網路(GAN)或一迴旋神經網路(CNN)。
根據一第二態樣,本發明係關於一種用於修正拓樸影像資料中之方向性漂移之方法,其包括:
- 接收呈一原始資料格式之該拓樸影像資料,其中該拓樸影像資料包括表示一拓樸之空間座標之值,且其中該等值係在一第一範圍內,
- 將該等值正規化至一第二範圍,
- 由一可訓練神經網路移除該等經正規化值之一方向性漂移,及
- 在移除該方向性漂移之後,將該等值反正規化,特定而言係反正規化至該第一範圍,以產生經修正拓樸影像資料。
此達成可高效率地修正拓樸影像資料中之方向性漂移之優點。特定而言,與由一操作者執行之一修正相比,此修正可係更快、更準確且更可擴縮的(亦即,針對不同影像均勻地)。因此,可使一拓樸影像之修正自動化。
在一實施例中,將該等值正規化至該第二範圍之該步驟包括將該等值圍繞零中心化。
此達成可將拓樸影像資料高效率地正規化之優點。特定而言,經正規化影像資料可由利用具有相同正規化之影像訓練之神經網路更好地處理。
在一實施例中,將該等值正規化至該第二範圍之該步驟進一步包括自該等值減去該等值之一平均值,且隨後將該等值除以一標準偏差之一整數倍。
此達成可將拓樸影像資料高效率地正規化之優點。特定而言,經正規化影像資料可由利用具有相同正規化之影像訓練之神經網路更好地處理。
在一實施例中,將該等值反正規化之該步驟包括將經修正值乘以一因數。
此達成可高效率地產生在與原影像相同之範圍內且具有經修正漂移之一經修正拓樸影像之優點。
在一實施例中,該因數係基於在該移除該方向性漂移之前在該第一範圍內之該等值之一空間梯度且基於在移除該方向性漂移之後在該第二範圍內之該等值之一空間梯度而判定。
此達成可高效率地執行反正規化之優點。
在一實施例中,藉由以下操作訓練該可訓練神經網路:
- 提供呈該原始資料格式之訓練資料,其中該訓練資料包括表示一訓練拓樸之空間座標之其他值,
- 將該等其他值正規化,
- 由該可訓練神經網路移除該等經正規化其他值之一方向性漂移,及
- 在移除該方向性漂移之後,比較該訓練資料與參考資料。
此達成可基於適合參考資料高效率地訓練神經網路之優點。
在一實施例中,藉由以下操作進一步訓練該可訓練神經網路:
- 判定一損失函數,其中該損失函數表示在移除該方向性漂移之後的該訓練資料與該參考資料之間的一偏差,及
- 調適該可訓練神經網路以減小該損失函數。
此達成可基於適合參考資料高效率地訓練神經網路之優點。
在一實施例中,該比較在移除該方向性漂移之後的該訓練資料與該參考資料係由另一神經網路執行。
此達成可基於兩個神經網路高效率地訓練神經網路之優點。
該另一神經網路可由該處理器或該裝置之該另一處理器執行。替代地,該另一神經網路係實施於另一裝置中。
關於根據本發明之第一態樣之裝置之以上說明對於根據本發明之第二態樣之方法對應地有效。
根據一第三態樣,本發明係關於一種電腦程式,其包括在於一電腦上執行時用於執行根據本發明之第二態樣之方法之一程式碼。
圖1展示根據一實施例之用於修正拓樸影像資料中之方向性漂移之一裝置100之一示意圖。
裝置100包括經組態以接收呈一原始資料格式之拓樸影像資料之一接收器103,其中該拓樸影像資料包括表示一拓樸之空間座標之值,且其中該等值係在一第一範圍內。裝置100進一步包括經組態以將拓樸影像資料之該等值正規化至一第二範圍之一處理器105,及經組態以接收具有經正規化值之拓樸影像資料且移除經正規化值之一方向性漂移之一可訓練神經網路107,其中,在由可訓練神經網路107移除該方向性漂移之後,處理器105經組態以將該等值反正規化,特定而言係反正規化至該第一範圍,以產生經修正拓樸影像資料。
拓樸影像資料可包括一表面之一拓樸影像(特定而言,一3D拓樸影像)之原始資料。特定而言,拓樸影像展示一表面之一拓樸。
方向性漂移可係影像資料中之一垂直漂移。特定而言,方向性漂移包括在垂直於表面延伸所沿之一xy方向之z方向上之一漂移。替代地或另外,方向性漂移可包括一水平漂移,例如,在x方向及/或y方向上之一漂移。方向性漂移可在拓樸之空間座標上疊加。
原始資料格式可係拓樸影像系統(例如,一AFM)用來產生拓樸影像資料之一資料格式。舉例而言,原始資料格式係一ASCII資料格式。使用此原始資料格式允許保留影像資料中之一垂直解析度,此對於3D拓樸影像資料尤其重要。特定而言,使用原始資料(諸如ASCII)允許保留在垂直z方向上的空間座標之絕對值,例如以nm或埃為單位。因此,可避免可在使用諸如jpeg或tiff之一影像格式對影像資料進行編碼時發生的垂直解析度之一損失。
替代地,原始資料格式可係不同於ASCII之一資料格式。舉例而言,原始資料格式可係保留一拓樸之一高度資訊且包括記錄高度(亦即,z座標)之處的拓樸之座標(特定而言,x-y座標)之任何資料格式。特定而言,原始資料格式可係允許存取原始資料及該原始資料至包括表示拓樸高度資訊之矩陣元素之一矩陣之一轉換的一適合文件格式。
圖2展示根據一實施例之展示於圖1中之裝置100之可訓練神經網路107之一示意圖。
可訓練神經網路107經組態以:接收拓樸影像資料,該拓樸影像資料在此資料之正規化之後具有方向性漂移(經降級影像),且藉由移除方向性漂移而產生經修正拓樸影像資料。
舉例而言,拓樸影像資料包括一經結構化基板(例如,具有沿著一z方向延伸之孔隙之一基板)之一拓樸影像201之原始資料。此拓樸影像201疊加有形成使影像之品質降級之一假影之方向性漂移。經修正拓樸影像資料包括來自拓樸影像之一經修正版本203之資料。在經修正影像203中,假影被移除。
特定而言,方向性漂移係拓樸影像資料中之一不想要假影。方向性漂移可包括影像資料中之線性移位、抛物線移位或立方移位。方向性漂移可進一步包括拓樸影像資料中之隨機雜訊、條紋、尖峰或單一階梯。
可訓練神經網路107可包括生成對抗網路(GAN)。GAN可包括迴旋區塊或層。特定而言,CCN包括一輸入層、一輸出層以及隱藏層。
特定而言,GAN接收呈一輸入矩陣之形式之拓樸影像資料,該輸入矩陣可包括拓樸影像之像素值。GAN可計算輸入矩陣與一核心矩陣或濾子之一逐元素乘法之一和。此運算可保持輸入值與輸出值之間的位置連接性同時降低輸入矩陣之維度性。因此,可訓練神經網路107可產生輸入矩陣之一迴旋特徵映圖。
替代地,可訓練神經網路107包括一迴旋神經網路(CNN)或任何其他適合類型之神經網路。
可訓練神經網路107可由裝置100之另一處理器執行。替代地,可訓練神經網路107可由處理器105執行。特定而言,處理器105包括裝置100之一微處理器或微晶片。
圖3展示根據一實施例之表示拓樸之空間座標之值之一正規化及一反正規化。特定而言,圖3展示分別在將該等值轉發至可訓練神經網路(NN) 107之前、在可訓練神經網路(NN) 107移除方向性漂移之後由處理器105執行之正規化及反正規化。
圖3中之一第一曲線圖301展示在一第一範圍內之z值(亦即,拓樸之空間座標之z方向分量)之一分佈。此z值係來自具有方向性漂移之經降級拓樸影像資料(DEG)之空間座標。特定而言,圖3展示跨越拓樸影像之一行掃描之z值,其在圖3中所展示之實例中介於自-3 nm至4 nm之範圍內。
圖3中之一第二曲線圖303展示來自曲線圖301之z值之一正規化。該等值(例如,自ASCII檔案導出之二維陣列)藉由使z值之分佈圍繞0中心化而被正規化。
較佳地,此中心化係藉由減去z值之一平均值且隨後將z值除以k×σ而達成,其中σ係陣列中之z值之標準偏差且k係一選擇因數。舉例而言,使用k=6確保除極端離群值之外的大多數z值被正規化至介於-1與1之間的第二範圍。此類型之正規化具有不依賴於離群值之優點。特定而言,正規化係一標準化且所產生資料係經標準化的經降級拓樸影像資料(DEG)。
圖3中之一第三曲線圖305展示由可訓練神經網路107產生之經修正拓樸影像資料(GENS
)之經正規化z值。
上文所闡述之正規化確保可訓練神經網路107效能之一高穩定性。特定而言,可訓練神經網路107接收在與訓練資料相同之範圍內之一經標準化輸入且產生一經標準化輸出。
隨後,將該經修正拓樸影像資料之z值反正規化(亦即,去標準化)回到第一範圍以產生經修正拓樸影像資料(GEN)。經反正規化z值展示於圖3之一第四曲線圖307中。藉助於此反正規化,可恢復原拓樸影像資料之絕對z值,例如以nm或埃為單位。
反正規化可藉由將影像資料之z值乘以一因數F而執行。此因數可基於在移除方向性漂移之前在第一範圍內之z值之一空間梯度且基於在移除方向性漂移之後在第二範圍內之z值之一空間梯度而判定。
下文中,展示因數F之一詳細導出:
可根據以下方程式將經降級拓樸影像資料之z值(ZDEG
)作為一實況資料之z值(ZGT
) (亦即,不具有方向性漂移之一拓樸之z值)與可表達為關於實況資料之包絡函數的在z方向上之漂移(ZENV
)之一和來評估:
ZDEG
= ZGT
+ ZENV
圖4a展示根據一實施例之參數ZDEG
、ZGT
及ZENV
之一視覺示意圖。此等值之空間倒數可根據以下關係來表達:
此處,pxl
表示原始影像資料中之像素,其中Z係每一像素處之z值,亦即,像素高度。圖4b展示根據一實施例之參數ΔZDEG
/Δpxl
、ΔZGT
/Δpxl
及ΔZENV
/Δpxl
之一視覺示意圖。
由於包絡函數之空間梯度與實況資料相比係相對小的,因此可做出以下評估:
此處,ZGEN
表示經修正且經反正規化的拓樸影像資料之z值。可假設ZGEN
與ZGT
之空間梯度係基本相同的。此外,假設可訓練神經網路107之一良好修正效能,可估計實況z值ZGT
與經修正影像資料之z值ZGEN
係相同的。因此,可按以下方式導出因數F:
其中係在移除方向性漂移之後且在反正規化之前拓樸影像資料之z值,亦即,在第二範圍內之經正規化z值。一空間導出提供:
在先前假設之情況下,此可重寫為:
其可經重新排列以導出因數F之一公式:
特定而言,第一級空間倒數保留關於第一與第二範圍之間的一相對差之資訊,此允許導出因數F。因數F可用於將經修正拓樸影像資料之絕對z值恢復至第一範圍,例如以nm或埃為單位。
圖5展示根據一實施例之用於修正拓樸影像資料中之方向性漂移之一方法500之一示意圖。
方法500包括以下步驟:
- 接收501呈一原始資料格式之拓樸影像資料,其中該拓樸影像資料包括表示一拓樸之空間座標之值,且其中該等值係在一第一範圍內,
- 將該等值正規化503至一第二範圍,
- 由可訓練神經網路107移除505該等經正規化值之該方向性漂移,及
- 在移除505該方向性漂移之後,將該等值反正規化507,特定而言係反正規化至該第一範圍,以產生經修正拓樸影像資料。
較佳地,將該等值正規化503至該第二範圍之該步驟包括將該等值圍繞零中心化。特定而言,將該等值正規化503至該第二範圍之該步驟進一步包括自該等值減去該等值之平均值,且隨後將該等值除以一標準偏差之整數倍。
在一實施例中,將該等值反正規化507之該步驟包括將經修正值乘以因數F。較佳地,因數F係基於在該移除該方向性漂移之前在該第一範圍內之該等值之空間梯度且基於在移除該方向性漂移之後在該第二範圍內之該等值之空間梯度而判定。上文展示了因數F之一例示性導出。
圖6展示根據一實施例之用於訓練可訓練神經網路107之一方法600之一示意圖。
方法600包括以下步驟:
- 提供601呈原始資料格式之訓練資料,其中該訓練資料包括表示一訓練拓樸之空間座標之其他值,
- 將該等其他值正規化603,特定而言係正規化至第二範圍,
- 由可訓練神經網路107移除605該等經正規化其他值之一方向性漂移,及
- 在移除605該方向性漂移之後,比較607該訓練資料與參考資料。
較佳地,方法600包括以下額外步驟:
- 判定609一損失函數,其中該損失函數表示在移除605該方向性漂移之後的該訓練資料與該參考資料之間的一偏差,及
- 調適611可訓練神經網路107以減小該損失函數。
特定而言,用於修正拓樸影像資料中之方向性漂移之方法500可包括用於訓練可訓練神經網路107之方法600。因此,訓練方法600之所有步驟亦係方法500之步驟。例如,用於可訓練神經網路107之訓練步驟601至611可在方法500之步驟501之前執行。
圖7展示根據一實施例之用於訓練可訓練神經網路107之一系統700之一示意圖。
系統700包括可訓練神經網路107及另一神經網路701。特定而言,該另一神經網路701包括一鑑別器網路。
在訓練期間,為可訓練神經網路107饋送包括來自一經降級拓樸影像(DEG) 703 (亦即,來自一訓練拓樸)之拓樸影像資料之訓練資料。DEG影像703可係包括由於拓樸影像系統之瑕疵導致之方向性漂移之一原始拓樸影像,例如一AFM影像。替代地,方向性漂移可係疊加於拓樸影像資料上之一經模擬包絡。例如,該包絡可模擬以下類型之方向性漂移:線性移位、抛物線移位、立方移位、隨機雜訊、條紋、尖峰或單一階梯。較佳地,將DEG影像703之z值正規化至第二範圍,例如自-1至1之範圍。
可訓練神經網路107經組態以自拓樸影像703之影像資料移除方向性漂移且產生一經重構拓樸影像705之影像資料。隨後比較此經重構拓樸影像705之影像資料與參考資料。較佳地,參考資料包括一實況(GT)參考影像707 (例如,具有與例如經人工移除方向性漂移相同之拓樸之一拓樸影像)之影像資料。
該另一神經網路701可經組態以比較經重構拓樸影像705與參考影像707之影像資料,且判定表示兩個影像705、707之間的一偏差之損失函數。理想地,此偏差係儘可能小的。隨後,可調適可訓練神經網路107以減小該損失函數。
本文中所闡述、展示及/或主張之所有實施例之所有特徵可彼此組合。
100:裝置
103:接收器
105:處理器
107:可訓練神經網路/神經網路
201:拓樸影像
203:拓樸影像之經修正版本/經修正影像
301:第一曲線圖/曲線圖
303:第二曲線圖
305:第三曲線圖
307:第四曲線圖
500:方法
501:步驟
503:步驟
505:步驟
507:步驟
600:方法/訓練方法
601:步驟
603:步驟
605:步驟
607:步驟
609:步驟
611:步驟
700:系統
701:另一神經網路
703:經降級拓樸影像/拓樸影像
705:經重構拓樸影像/影像
707:實況參考影像/參考影像/影像
DEG:經降級拓樸影像資料
DEGS
:經標準化的經降級拓樸影像資料
GEN:經修正拓樸影像資料
GENS
:經修正拓樸影像資料
下文中將連同各圖一起解釋本發明。
圖1展示根據一實施例之用於修正拓樸影像資料中之方向性漂移之一裝置之一示意圖;
圖2展示根據一實施例之展示於圖1中之裝置之經訓練神經網路之一示意圖;
圖3展示根據一實施例之表示一拓樸之空間座標之值之一正規化及一反正規化;
圖4a至圖4b展示根據一實施例之拓樸影像資料之z值參數之視覺示意圖;
圖5展示根據一實施例之用於修正拓樸影像資料中之方向性漂移之一方法之一示意圖;
圖6展示根據一實施例之用於訓練一可訓練神經網路之一方法之一示意圖;及
圖7展示根據一實施例之用於訓練一可訓練神經網路之一系統之一示意圖。
100:裝置
103:接收器
105:處理器
107:可訓練神經網路/神經網路
Claims (15)
- 一種用於修正拓樸影像資料中之一方向性漂移之裝置(100),其包括: 一接收器(103),其經組態以接收呈一原始資料格式之該拓樸影像資料,其中該拓樸影像資料包括表示一拓樸之空間座標之值,且其中該等值係在一第一範圍內, 一處理器(105),其經組態以將該拓樸影像資料之該等值正規化至一第二範圍,及 一可訓練神經網路(107),其經組態以接收具有經正規化值之該拓樸影像資料且移除該等經正規化值之該方向性漂移, 其中,在由該可訓練神經網路(107)移除該方向性漂移之後,該處理器(105)經組態以將該等值反正規化,特定而言係反正規化至該第一範圍,以產生經修正拓樸影像資料。
- 如請求項1之裝置(100),其中該處理器(105)經組態以藉由將該等值圍繞零中心化而將該等值正規化。
- 如請求項1之裝置(100),其中該處理器(105)經組態以藉由自該等值減去該等值之一平均值且藉由隨後將該等值除以一標準偏差之一整數倍而將該等值正規化。
- 如請求項1之裝置(100),其中該處理器(105)經組態以藉由將該等值乘以一因數而將該等值反正規化。
- 如請求項4之裝置(100),其中該處理器(105)經組態以基於在該移除該方向性漂移之前在該第一範圍內之該等值之一空間梯度且基於在移除該方向性漂移之後在該第二範圍內之該等值之一空間梯度而判定該因數。
- 如請求項1之裝置(100),其中該原始資料格式係一ASCII資料格式。
- 如請求項1之裝置(100),其中該可訓練神經網路(107)包括一生成對抗網路(GAN)或一迴旋神經網路(CNN)。
- 一種用於修正拓樸影像資料中之方向性漂移之方法(500),其包括: 接收(501)呈一原始資料格式之該拓樸影像資料,其中該拓樸影像資料包括表示一拓樸之空間座標之值,且其中該等值係在一第一範圍內, 將該等值正規化(503)至一第二範圍, 由一可訓練神經網路(107)移除(505)該等經正規化值之一第一方向性漂移,及 在移除(505)該第一方向性漂移之後,將該等值反正規化(507),特定而言係反正規化至該第一範圍,以產生經修正拓樸影像資料。
- 如請求項8之方法(500),其中將該等值正規化(503)至該第二範圍之該步驟包括將該等值圍繞零中心化。
- 如請求項8之方法(500),其中將該等值正規化(503)至該第二範圍之該步驟進一步包括自該等值減去該等值之一平均值,且隨後將該等值除以一標準偏差之一整數倍。
- 如請求項8之方法(500),其中將該等值反正規化(507)之該步驟包括將經修正值乘以一因數。
- 如請求項11之方法(500),其中該因數係基於在該移除(505)該第一方向性漂移之前在該第一範圍內之該等值之一空間梯度且基於在移除(505)該第一方向性漂移之後在該第二範圍內之該等值之一空間梯度而判定。
- 如請求項8之方法(500),其中藉由以下操作而訓練該可訓練神經網路(107): 提供(601)呈該原始資料格式之訓練資料,其中該訓練資料包括表示一訓練拓樸之空間座標之其他值, 將該等其他值正規化(603), 由該可訓練神經網路移除(605)該等經正規化其他值之一第二方向性漂移,及 在移除(605)該第二方向性漂移之後,比較(607)該訓練資料與參考資料。
- 如請求項13之方法(500),其中藉由以下操作進一步訓練該可訓練神經網路(107): 判定(609)一損失函數,其中該損失函數表示在移除(605)該第二方向性漂移之後的該訓練資料與該參考資料之間的一偏差,及 調適(611)該可訓練神經網路(107)以減小該損失函數。
- 如請求項13之方法(500),其中該比較(607)在移除(605)該第二方向性漂移之後的該訓練資料與該參考資料係由另一神經網路(701)執行。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP20167936.2A EP3889900A1 (en) | 2020-04-03 | 2020-04-03 | Device and method for correcting directional drifts in topographic image data |
EP20167936.2 | 2020-04-03 |
Publications (1)
Publication Number | Publication Date |
---|---|
TW202203147A true TW202203147A (zh) | 2022-01-16 |
Family
ID=70189674
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110111369A TW202203147A (zh) | 2020-04-03 | 2021-03-29 | 修正拓樸影像資料中方向性漂移的裝置與方法 |
Country Status (3)
Country | Link |
---|---|
EP (1) | EP3889900A1 (zh) |
KR (1) | KR20210124915A (zh) |
TW (1) | TW202203147A (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115565114B (zh) * | 2022-11-17 | 2023-03-21 | 中央广播电视总台 | 视频画面漂移识别方法、装置及计算机设备、存储介质 |
-
2020
- 2020-04-03 EP EP20167936.2A patent/EP3889900A1/en active Pending
-
2021
- 2021-03-29 TW TW110111369A patent/TW202203147A/zh unknown
- 2021-04-01 KR KR1020210042624A patent/KR20210124915A/ko active Search and Examination
Also Published As
Publication number | Publication date |
---|---|
KR20210124915A (ko) | 2021-10-15 |
EP3889900A1 (en) | 2021-10-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dahlen et al. | Tip characterization and surface reconstruction of complex structures with critical dimension atomic force microscopy | |
US7590277B2 (en) | Pattern inspecting method | |
EP1589482B1 (en) | Three-dimensional image measuring apparatus and method | |
JP4323475B2 (ja) | 試料検査装置、試料検査方法及びプログラム | |
JP2020115131A (ja) | 試験片の調査の方法およびそのシステム | |
US9632038B2 (en) | Hybrid phase unwrapping systems and methods for patterned wafer measurement | |
JP2017198589A (ja) | パターン検査方法及びパターン検査装置 | |
JP2007071629A (ja) | 試料検査装置の支援装置、試料検査方法及びプログラム | |
US20170018069A1 (en) | Hybrid metrology technique | |
JP5860646B2 (ja) | 位置ずれマップ作成装置、パターン検査システム、及び位置ずれマップ作成方法 | |
JP2008051617A (ja) | 画像検査装置、その方法、及びその記録媒体 | |
KR20150003783A (ko) | X선 검사 방법 및 x선 검사 장치 | |
TW202203147A (zh) | 修正拓樸影像資料中方向性漂移的裝置與方法 | |
JP2005317818A (ja) | パターン検査装置およびパターン検査方法 | |
JP5810031B2 (ja) | 半導体回路パターン計測装置及び方法 | |
US20140350887A1 (en) | Method for characterization of a surface topography | |
Yu et al. | SEM image quality enhancement: an unsupervised deep learning approach | |
CN107683495A (zh) | 使用设计的预层缺陷部位重检 | |
Dahlen et al. | Critical dimension AFM tip characterization and image reconstruction applied to the 45-nm node | |
Saib et al. | Advanced characterization of 2D materials using SEM image processing and machine learning | |
CN116907381A (zh) | 一种半导体晶圆Bump三维形貌测量方法 | |
Orji et al. | Strategies for nanoscale contour metrology using critical dimension atomic force microscopy | |
US11455715B2 (en) | Epitaxy metrology in fin field effect transistors | |
US11953316B2 (en) | Geometry based three dimensional reconstruction of a semiconductor specimen by solving an optimization problem, using at least two SEM images acquired at different illumination angles | |
US10352691B1 (en) | Systems and methods for wafer structure uniformity monitoring using interferometry wafer geometry tool |