SEMNR：为什么我不再相信“Clean”图像（并把Metrics当作护栏）
Source: Dev.to
这项工作是在一次密集的 Applied Materials 与 Extra‑Tech 训练营中完成的，挑战远远超出了选择“正确”去噪模型的范围。
我要感谢来自 Applied Materials 的我的导师 Roman Kris 和 Mor Baram，感谢他们的技术指导、关键问题以及对实用、生产级思维的持续推动；同时也感谢来自 Extra‑Tech 的 Shmuel Fine 和 Sara Shimon 在整个过程中的支持和教学。
为什么在 SEM 去噪中“干净”不够
在传统图像处理领域，clean（干净）是一种赞美。
在半导体 SEM 去噪中，clean 往往是一个谎言。
去噪器的显而易见的目标是去除噪声，但在科学和工业成像中，真正的目标是 保留证据。导体的微观边缘、硅表面的细微纹理，或是微小缺陷——这些信号承载着关键意义。
去噪器可以轻易让图像在肉眼看来更悦目，却在不知不觉中抹去改变整个分析结果的细节。
构建 SEMNR 让我得到一次深刻的教训：标准的评估方法是一种陷阱。我不需要一个可以炫耀的排行榜；我需要的是工程层面的安全护栏。下面是我如何从追求高分转向为我的数据构建 信任画像 的过程。
高分 vs. 高信任
中间的图像 PSNR 分数更高，却模糊了晶圆线的关键边缘。右侧的图像（SEMNR）保留了锐利的结构和原始纹理，即使看起来不那么“干净”。
定义我绝不放弃的东西
在训练任何模型之前，我明确界定了自己绝不放弃的目标。指标的选择不再是被动接受默认工具，而是一次主动的工程决策。
我发现，激进的降噪往往直接与结构保留相冲突：
- 奖励平滑度的指标（例如标准 PSNR）会主动鼓励 过度平滑。模型会为了降低像素误差而学习模糊纹理，以获得更高分数。
- 忽视纹理的指标 本质上允许模型 幻觉 出不存在的细节——更糟的是，抹去对质量控制至关重要的真实缺陷。
为验证这一点，我对 SEM 样本进行了“压力测试”（人工模糊、过度锐化以及添加伪影），并观察哪些指标能标记出问题。结果极度不一致：PSNR 常常提升，却使图像在分析上变得更无用。这立刻让我否定了“单一英雄数字”的想法。
堆栈：侧重配置文件而非单一分数
相较于追求唯一的完美数值，我构建了一个 度量配置文件——一个 QA 工具箱，其中每个度量都有其特定的工作描述。
度量配置文件概览
目标是最大化图表的整体面积，而非单个峰值。请注意，提高 PSNR（保真度）往往会直接牺牲纹理真实感（DISTS）。
| 度量 | 角色 | 捕获内容 |
|---|---|---|
| PSNR | 锚点 | 像素级保真度（原始像素值与参考图像的接近程度）。作为基线，但绝不能单独依赖。 |
| SSIM | 结构工程师 | 保持宏观结构（例如接触孔、通孔）的完整性。 |
| FSIM | 边缘守护者 | 材料之间的锐利过渡；标记模糊边缘——对 SEM 至关重要。 |
| DISTS | 纹理专家 | 基于深度学习的纹理真实感；防止出现“塑料”感并保留自然颗粒。 |
| CNR | 务实派 | 实际的对比噪声可检测性；判断计算机视觉算法是否仍能识别缺陷。 |
当指标不一致时 – 寻找调试信号
最有价值的工程洞察出现在 指标不一致 时。我学会将这些冲突解读为模型行为的不同调试信号：
- PSNR ⬆️ / FSIM ⬇️ – 过度平滑：模型在积极去噪的同时抹掉了高频边缘信息。
- SSIM 稳定 / DISTS ⬇️ – 纹理漂移：整体结构尚可，但表面失去了真实的材质特征。
- PSNR ⬆️ / CNR ⬇️ – 对比度丢失：像素值更接近真实值，但局部对比度下降，使特征更难辨认。
冲突解决流程图
我用来标记失败并指导调试决策的流程图。
要点
- 单一指标 ≠ 真相 – 依赖单个数值（例如 PSNR）可能掩盖关键的退化。
- 构建评估画像 – 结合互补的指标，以捕捉保真度、结构、边缘保留、纹理以及实际可检测性。
- 倾听冲突 – 指标之间的不一致是最有信息量的信号；它们直接指示模型引入的伪影类型。
- 信任胜于分数 – 在科学成像中，目标是可信的现实再现，而不是高分却误导的图像。
如果你正在使用 SEM 或其他任何科学成像流程，考虑采用多指标信任画像。这将帮助你避免“干净”图像的虚假安慰，因为它们可能已经悄然失去了你所需的证据。
结语：从美观转向可信
在 SEMNR 中，这一过程把我的指导性问题从 “这张图像干净吗？” 改为 “这张图像可信吗？”
通过构建一个使用特定度量作为防护栏来防止特定失效（如边缘模糊）的评估堆栈，我把模型演进从一场美学竞赛转变为工程安全系统。
在科学和工业数据的世界里，我的工作不是美化现实，而是以最小的干预揭示它。有时，这意味着保留一点自然的 “噪声”——只为确保真相仍然保留在图像中。
差别体现在微观细节：对结构边缘缺陷的放大。
左图：标准模型在去除噪声的同时也抹掉了缺陷。
右图（SEMNR）：噪声被清除，但关键缺陷被清晰保留。