AFM 이미지 인공물 제거와 복원을 위한 구조화 마스크 기반 방향성 인페인팅

초록

본 논문은 원자힘현미경(AFM) 이미지에서 발생하는 다양한 인공물을 자동으로 탐지하고, 경량화된 세그멘테이션 모델과 구조화된 마스크 확장 기법을 이용해 3D 표면 연속성을 유지하면서 복원하는 완전 자동 파이프라인을 제안한다. 분류‑세그멘테이션‑스마트 플래튼‑방향성 인페인팅‑국부 가우시안 스무딩 순으로 구성된 시스템은 GUI 기반 실시간 파라미터 조정과 배치 처리 기능을 제공한다.

상세 분석

이 연구는 AFM 이미지 품질 저하의 주요 원인인 스캔 라인 왜곡, 팁 오염, 트래킹 손실 등 네 가지 유형의 인공물을 분류하고, 각각에 맞는 복원 전략을 적용한다는 점에서 실용적이다. 먼저 ResNet‑18 기반의 경량 분류기가 224×224 PNG 변환 이미지에 대해 4‑클래스(정상, 트래킹 실패, 팁 오염, 기타 인공물)로 정확히 구분한다. 전이 학습과 Focal Loss 사용으로 데이터 불균형을 효과적으로 완화하고, 불필요한 연산을 방지한다.

인공물 탐지는 자체 설계한 경량 세그멘테이션 네트워크(인코더‑디코더 구조)로 수행되며, 출력 확률 맵을 임계값(thr)으로 이진화한다. 이후 면적(min_pix, max_pix)과 종횡비(ar_thr) 필터링을 통해 잡음과 대형 구조를 제거하고, 스트립 형태 인공물은 평균·표준편차(k·σ)와 기울기 제한(grad) 기반의 유사도 확장 알고리즘으로 마스크를 넓힌다. 이러한 마스크 확장은 AFM 표면의 기하학적 연속성을 보존하면서도 인공물 영역을 충분히 포괄한다는 장점이 있다.

복원 단계에서는 방향성 이웃 보간(Directional Neighbor Interpolation)을 적용한다. 마스크 내부 픽셀에 대해 행·열 방향의 인접 고도값을 가중 평균하고, 필요 시 Telea 알고리즘을 활용해 원형 반경(radius) 내에서 구조적 일관성을 유지한다. 이후 국부 가우시안 스무딩을 수행해 경계 부근의 급격한 변화와 잔여 노이즈를 완화한다. 이 과정은 3D 높이 맵의 연속성을 손상시키지 않으면서 시각적 일관성을 높인다.

시스템은 Tkinter 기반 GUI로 구현돼 실시간 미리보기, 파라미터 슬라이더, 배치 처리 등을 제공한다. 사용자는 자동 마스크가 부적합할 경우 직접 영역을 선택해 제외할 수 있어 전문가 수준의 정밀 제어가 가능하다. 전체 파이프라인은 파이썬과 PyTorch로 구현돼 GPU 가속 시에도 비교적 짧은 처리 시간을 보인다.

한계점으로는 초기 PNG 변환 과정에서 양자화 손실이 발생할 가능성, 그리고 세그멘테이션 모델이 특정 샘플 종류(예: 고탄성 재료)에서 일반화되지 않을 위험이 있다. 또한 현재는 2D 평면상의 마스크와 보간에 초점을 맞추었으나, 복합적인 3D 구조(예: 나노패턴)에서는 추가적인 볼륨 기반 인페인팅이 필요할 수 있다. 향후 연구에서는 멀티스케일 피처와 Transformer 기반 세그멘테이션을 도입해 정확도를 높이고, 3D 볼륨 인페인팅 알고리즘을 통합하는 방향이 기대된다.