딥러닝 기반 원자힘현미경 해상도 향상 일반 방법

초록

본 논문은 저해상도 AFM 토폴로지 이미지를 입력으로 고해상도 이미지를 복원하는 심층 합성곱 신경망을 설계·학습시켜, 다양한 시료에 대해 실험적으로 측정된 고해상도 이미지와 거의 동일한 품질을 얻는 포스트‑프로세싱 기법을 제안한다.

상세 분석

본 연구는 AFM 이미지의 해상도 한계를 딥러닝으로 극복하고자 하는 시도이며, 특히 “Very Deep Convolutional Neural Network”(VDCNN) 구조를 채택하였다. 입력은 2배4배 저해상도 토폴로지 맵이며, 네트워크는 20여 개의 연속된 Conv‑ReLU 블록과 잔차 연결(skip‑connection)을 포함해 깊은 특징 추출이 가능하도록 설계되었다. 저해상도와 고해상도 이미지 쌍을 이용해 지도학습(supervised learning) 방식으로 L1 손실과 구조적 유사도(SSIM) 손실을 가중합한 복합 손실 함수를 최소화한다. 데이터셋은 실험실에서 직접 수집한 금속, 반도체, 고분자, 바이오 시료 등 8종류 이상의 표면을 포함하며, 각 시료마다 동일 위치에서 저·고해상도 이미지를 동시에 획득해 정밀한 라벨링을 수행하였다. 학습 과정에서는 데이터 증강(회전·반전·노이즈 추가)과 배치 정규화, 학습률 스케줄링을 적용해 과적합을 방지하였다. 검증 결과, PSNR이 평균 68 dB 상승하고, SSIM이 0.92 이상으로 고해상도 실측 이미지와 거의 일치함을 확인했다. 특히 경계선이 뚜렷한 나노패턴이나 미세한 결함까지 복원하는 능력이 뛰어나, 기존 보간법(바이큐빅, Lanczos) 대비 시각적·정량적 차이가 현저히 크다. 한계점으로는 매우 높은 배율(>8×)에서는 세부 구조가 과도하게 매끄러워지는 현상이 관찰되었으며, 학습에 사용된 시료 종류가 제한적이므로 전혀 다른 물성(예: 초고경도 재료)에서는 일반화 성능이 검증되지 않았다. 향후 다중 스케일 네트워크 도입·전이 학습을 통한 도메인 적응, 그리고 실시간 인퍼런스를 위한 경량화 모델 개발이 필요하다.