用于快速分割与关键尺寸度量及表征的深度学习：赋能 AR/VR 设计与制造
计算机视觉与模式识别
2024-09-24 v1 机器学习
图像与视频处理
摘要
显微镜图像的定量分析在增强现实/虚拟现实 (AR/VR) 模块所用组件的设计与制造中至关重要。然而，从这些复杂图像中分割出感兴趣区域 (ROI) 并提取关键尺寸 (CD) 需要新颖的技术，例如深度学习模型，这对于工艺、材料和器件优化的可执行决策至关重要。在本研究中，我们报告了使用多样化的电子显微镜图像数据集对预训练的 Segment Anything Model (SAM) 进行微调。我们采用了低秩适应 (LoRA) 等方法来减少训练时间并提高 ROI 提取的准确性。该模型泛化到未见图像的能力促进了零样本学习，并支持一个能从分割出的 ROI 中精确提取 CD 的 CD 提取模型。我们展示了在单类和多类模式下，从表面浮雕光栅 (SRG) 和菲涅耳透镜的横截面图像中准确提取二值图像。此外，这些二值图像被用于识别过渡点，有助于提取相关的 CD。微调分割模型与 CD 提取模型的结合使用，通过增强分析能力、缩短数据获取时间与提升洞察力，并优化制造过程，为各种工业应用提供了显著优势。
引用
@article{arxiv.2409.13951,
title = {Deep learning for fast segmentation and critical dimension metrology & characterization enabling AR/VR design and fabrication},
author = {Kundan Chaudhary and Subhei Shaar and Raja Muthinti},
journal= {arXiv preprint arXiv:2409.13951},
year = {2024}
}