为晶圆透射电子显微镜图像量身定制的超分辨率方法

在芯片内部获得更清晰的视野

现代电子设备依赖刻蚀在半导体晶圆深处的微小结构，但对这些特征进行清晰成像既缓慢又昂贵且技术要求高。本研究展示了如何利用先进的图像处理技术，将模糊且噪声较多的晶圆显微照片转换为清晰的高分辨率视图，而无需在昂贵设备上重新拍摄。结果是一套可行的做法，可能加快芯片厂中的缺陷检测和测量，并减少专家在专用显微镜前的工作时间。

为什么看清表面之下很重要

芯片制造商已经使用多种图像来保持生产正常运行。表面级图像，例如晶圆图和扫描电子显微镜图像，可以揭示许多缺陷，但它们无法显示材料内部的情况。透射电子显微镜（TEM）通过让电子穿透晶圆的薄切片来揭示原子尺度的结构、隐蔽缺陷和材料成分，从而提供更深层的信息。这些高分辨率的TEM图像非常有价值，但难以大量获得，因为制样和成像会破坏晶圆，并且需要专家操作和长时间的成像过程。

模糊和噪声图像的问题

理论上，一个智能程序可以将低分辨率的晶圆TEM图像转换为高分辨率图像，这一任务称为超分辨率。但在实践中，晶圆TEM图像带来了特殊挑战。首先，噪声模式不同寻常，由散射电子和不稳定的磁场引起，而不是普通相机噪声，因此现成的去噪方法效果不佳。其次，工程师关注缺陷或测量层厚度的位置正是边界和边缘处的细小特征，而当分辨率低时这些边缘往往会模糊。最后，训练超分辨率模型的常规做法——使用同一场景的模糊与清晰图像完美匹配对——在这里不可行，因为芯片制造商通常只存储高分辨率的TEM图像。

用于更好图像的三步方案

为了解决这些障碍，作者设计了一个针对晶圆TEM数据的三阶段框架。在第一阶段，称为实用退化，他们从高分辨率图像出发，通过打乱模糊、下采样、噪声和压缩的顺序与强度，有意生成多种不同的低质量版本。其中一种被称为Hybrid的丰富流程，创建了多种逼真的失真，模拟在真实工厂中看到的未知噪声模式。在第二阶段，图像增强，他们对原始高分辨率图像施加强化处理，使边缘变得更加清晰，采用了一种称为HighboostFiltering的方法，这种方法在不增加额外可训练复杂度的情况下强烈突出边界。然后，这些合成的低质量图像与“额外锐化”的高分辨率图像配对，构成了第三阶段训练超分辨率模型的数据，使模型学会将劣质图像转换为清晰图像。

寻找最佳组合

团队系统地测试了48种退化策略、增强方法和模型类型的组合。他们比较了一种传统的卷积网络、生成对抗网络（ESRGAN）和基于扩散的模型（SR3）。图像质量使用一种在没有参考真值的情况下估计图像自然度的度量来评判。明显的赢家是一组三件套：Hybrid退化、HighboostFiltering增强和ESRGAN模型。这一组合产生的图像最接近TEM专家手工拍摄的效果，噪声更平滑，边缘更锐利。相比之下，基于扩散的模型在小且专业化的数据集上表现不稳，常常产生不稳定或有噪声的结果。

从更好看的图像到更好的决策

只有在能帮助解决实际工厂任务时，改进的图像才有价值。为此，作者将超分辨后的图像输入一个强大的通用分割工具，以在不重新训练该工具的情况下执行类似缺陷的区域检测和边缘提取。与原始低分辨率输入和九种现有超分辨方法相比，所提出的组合在分割得分和边缘清晰度方面都有显著提升，这两点对于测量微小结构和发现细微缺陷至关重要。尽管仍存在一些失败案例——例如偶尔出现的噪点块或未建模噪声导致的伪影——该研究表明，精心设计的三步流程可以使低分辨率的晶圆TEM图像变得更有信息量。对于非专业读者，关键结论是：通过巧妙合成训练数据并强调边缘，作者将现有的模糊显微图像转化为更清晰的诊断工具，帮助半导体行业在更少成像的情况下看得更多。

引用: Kim, S., Baek, I., Cho, H. et al. Super-resolution approach tailored for wafer transmission electron microscopy images. Sci Rep 16, 10662 (2026). https://doi.org/10.1038/s41598-026-45776-8

关键词: 超分辨率, 透射电子显微镜, 半导体制造, 图像增强, 深度学习