論文の概要: Deep learning denoiser assisted roughness measurements extraction from thin resists with low Signal-to-Noise Ratio(SNR) SEM images: analysis with SMILE

• arxiv url: http://arxiv.org/abs/2310.14815v1
• Date: Mon, 23 Oct 2023 11:30:54 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-24 20:40:04.450296
• Title: Deep learning denoiser assisted roughness measurements extraction from thin resists with low Signal-to-Noise Ratio(SNR) SEM images: analysis with SMILE
• Title（参考訳）: 低信号対雑音比(snr)sem画像による薄型レジストの粗さ測定を支援するディープラーニングデノイザー-スマイルによる解析
• Authors: Sara Sacchi, Bappaditya Dey, Iacopo Mochi, Sandip Halder, Philippe Leray
• Abstract要約: 走査型電子顕微鏡(SEM)の画像は、画像コントラストの低下と信号対雑音比(SNR)の低下に悩まされている 本研究の目的は、Deep Learning Denoiserを用いてSEM画像のSNRを高め、薄型レジストの堅牢な粗さ抽出を可能にすることである。
• 参考スコア（独自算出の注目度）: 0.11184789007828977
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The technological advance of High Numerical Aperture Extreme Ultraviolet Lithography (High NA EUVL) has opened the gates to extensive researches on thinner photoresists (below 30nm), necessary for the industrial implementation of High NA EUVL. Consequently, images from Scanning Electron Microscopy (SEM) suffer from reduced imaging contrast and low Signal-to-Noise Ratio (SNR), impacting the measurement of unbiased Line Edge Roughness (uLER) and Line Width Roughness (uLWR). Thus, the aim of this work is to enhance the SNR of SEM images by using a Deep Learning denoiser and enable robust roughness extraction of the thin resist. For this study, we acquired SEM images of Line-Space (L/S) patterns with a Chemically Amplified Resist (CAR) with different thicknesses (15nm, 20nm, 25nm, 30nm), underlayers (Spin-On-Glass-SOG, Organic Underlayer-OUL) and frames of averaging (4, 8, 16, 32, and 64 Fr). After denoising, a systematic analysis has been carried out on both noisy and denoised images using an open-source metrology software, SMILE 2.3.2, for investigating mean CD, SNR improvement factor, biased and unbiased LWR/LER Power Spectral Density (PSD). Denoised images with lower number of frames present unaltered Critical Dimensions (CDs), enhanced SNR (especially for low number of integration frames), and accurate measurements of uLER and uLWR, with the same accuracy as for noisy images with a consistent higher number of frames. Therefore, images with a small number of integration frames and with SNR < 2 can be successfully denoised, and advantageously used in improving metrology throughput while maintaining reliable roughness measurements for the thin resist.
• Abstract（参考訳）: 高NA EUVL(High Numerical Aperture Extreme Ultraviolet Lithography)の技術進歩は、高NA EUVLの工業化に必要な、より薄いフォトレジスト(30nm以下)の広範な研究のための門を開いた。 その結果、走査型電子顕微鏡(SEM)の画像は、撮像コントラストの低下と信号対雑音比(SNR)の低さに悩まされ、未バイアスのラインエッジ粗さ(uLER)とライン幅粗さ(uLWR)の測定に影響を及ぼした。 そこで本研究の目的は,Deep Learning Denoiserを用いてSEM画像のSNRを高め,薄型レジストの堅牢な粗さ抽出を可能にすることである。 本研究では, 異なる厚さ(15nm, 20nm, 25nm, 30nm), 下地層 (Spin-On-Glass-SOG, Organic Underlayer-OUL) と平均化フレーム (4, 8, 16, 32, 64 Fr) を有するL/SパターンのSEM画像を得た。 ノイズ除去後、平均CD、SNR改善係数、バイアス付きおよび非バイアス付きLWR/LERパワースペクトル密度(PSD)を調べるために、オープンソースのメトロジーソフトウェアSMILE 2.3.2を用いて、ノイズ画像と雑音画像の両方に対して系統解析を行った。 フレーム数が少ない復号化画像は、不整合臨界次元(CD)、拡張SNR(特に統合フレーム数が少ない)、uLERとuLWRの精度は、一貫したフレーム数の多いノイズ画像と同じである。 したがって、少ない統合フレームとSNR < 2の画像を復号化することができ、薄型レジストの信頼性の高い粗さ測定を維持しつつ、メロジカルスループットを向上させるのに有利である。

関連論文リスト

• WIA-LD2ND: Wavelet-based Image Alignment for Self-supervised Low-Dose CT Denoising [74.14134385961775]
  我々は, NDCTデータのみを用いて, WIA-LD2NDと呼ばれる新しい自己監督型CT画像復調法を提案する。 WIA-LD2ND は Wavelet-based Image Alignment (WIA) と Frequency-Aware Multi-scale Loss (FAM) の2つのモジュールから構成される。
  論文  参考訳（メタデータ） (2024-03-18T11:20:11Z)
• Rotational Augmented Noise2Inverse for Low-dose Computed Tomography Reconstruction [83.73429628413773]
  改良された深層学習手法は、画像のノイズを除去する能力を示しているが、正確な地上の真実を必要とする。 畳み込みニューラルネットワーク(CNN)のトレーニングに基礎的真理を必要としないLDCTのための新しい自己教師型フレームワークを提案する。 数値および実験結果から,Sparse View を用いた N2I の再構成精度は低下しており,提案手法は異なる範囲のサンプリング角度で画像品質を向上する。
  論文  参考訳（メタデータ） (2023-12-19T22:40:51Z)
• Deep Learning Enables Large Depth-of-Field Images for Sub-Diffraction-Limit Scanning Superlens Microscopy [16.152554659134246]
  深層学習を用いて、光学超解像(OSR)画像と走査電子顕微鏡領域画像とのマッピング関係を得る。 提案手法は, チップレベルの欠陥検出, 生物学的試料分析, 法医学, その他の様々な分野に適用可能であることを示す。
  論文  参考訳（メタデータ） (2023-10-27T09:16:56Z)
• Denoising Simulated Low-Field MRI (70mT) using Denoising Autoencoders (DAE) and Cycle-Consistent Generative Adversarial Networks (Cycle-GAN) [68.8204255655161]
  高磁場, 高分解能, 高信号-雑音比 (SNR) 磁気共鳴イメージング (MRI) 画像を得るために, GAN (Cycle Consistent Generative Adversarial Network) が実装されている。 Denoising Autoencoder(DAE)とCycle-GANをペアとアンペアのケースで訓練するために画像が使用された。 この研究は、古典的DAEを上回り、低磁場MRI画像を改善することができ、画像ペアを必要としない生成的ディープラーニングモデルの使用を実証する。
  論文  参考訳（メタデータ） (2023-07-12T00:01:00Z)
• SAR Despeckling using a Denoising Diffusion Probabilistic Model [52.25981472415249]
  スペックルの存在は画像品質を劣化させ、SAR画像理解アプリケーションの性能に悪影響を及ぼす。 本稿では,SAR脱種のための拡散確率モデルであるSAR-DDPMを紹介する。 提案手法は, 最先端の切り離し法と比較して, 定量化と定性化の両面で有意な改善を実現している。
  論文  参考訳（メタデータ） (2022-06-09T14:00:26Z)
• Zero-shot Blind Image Denoising via Implicit Neural Representations [77.79032012459243]
  暗黙的ニューラル表現(INR)のアーキテクチャ的帰納的バイアスを利用した代替的認知戦略を提案する。 提案手法は,低雑音シナリオや実雑音シナリオの広い範囲において,既存のゼロショット復調手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-04-05T12:46:36Z)
• FastHyMix: Fast and Parameter-free Hyperspectral Image Mixed Noise Removal [20.043152870504738]
  本稿では,高速かつパラメータフリーなハイパースペクトル画像混合ノイズ除去法(FastHyMix)を提案する。 これは、スペクトル領域における低ランク性と空間領域における高相関性という、ハイパースペクトルデータの2つの主要な特徴を利用する。 提案手法は,サブスペース表現とHSIの相関を利用して,より強力な深度画像を追加することで低ランク化を実現する。
  論文  参考訳（メタデータ） (2021-09-18T08:35:45Z)
• OCT-GAN: Single Step Shadow and Noise Removal from Optical Coherence Tomography Images of the Human Optic Nerve Head [47.812972855826985]
  我々は、ノイズと網膜の影の両方を10.4ms以内で見えない単一フレームのBスキャンから除去する単一プロセスを開発した。 提案アルゴリズムは,長い画像取得時間の必要性を低減し,高価なハードウェア要件を最小化し,OCT画像の動作アーティファクトを低減する。
  論文  参考訳（メタデータ） (2020-10-06T08:32:32Z)
• Super Resolution of Arterial Spin Labeling MR Imaging Using Unsupervised Multi-Scale Generative Adversarial Network [9.506036365253184]
  動脈スピンラベリング(ASL)磁気共鳴イメージング(MRI)は、脳血流(CBF)を定量的に測定できる強力なイメージング技術である。 本稿では,教師なし学習によるGAN(Multi-scale Generative Adversarial Network)に基づく超解像法を提案する。
  論文  参考訳（メタデータ） (2020-09-14T01:05:54Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。