配对与非配对深度学习方法用于物理增强数字岩石图像分辨率的对比研究

X 射线微计算机断层扫描（micro-CT）已被广泛用于表征地下多孔岩石的孔隙尺度几何结构。近期使用深度学习的超分辨率（SR）方法的发展，使得能够在较大空间尺度上数字增强低分辨率（LR）图像，生成可与高分辨率（HR）真实值相媲美的 SR 图像。这规避了传统的分辨率与视场之间的权衡。一个悬而未决的问题是配对（配准）LR 与 HR 数据的使用，这类方法在训练步骤中常常需要此类数据但难以获取。本工作中，我们使用一致的真实值数据，严格对比了两种不同的最先进 SR 深度学习技术，分别使用配对与非配对数据。第一种方法需要配对图像来训练卷积神经网络（CNN），而第二种方法使用非配对图像来训练生成对抗网络（GAN）。使用具有复杂微孔纹理的 micro-CT 碳酸盐岩样品对两种方法进行对比。我们实施了多种基于图像的与数值的验证以及实验验证，以定量评估两种方法的物理精度与敏感性。定量结果表明，非配对 GAN 方法能够重建出与配对 CNN 方法一样精确的超分辨率图像，且训练时间与数据需求相当。这为使用非配对深度学习方法的 micro-CT 图像增强解锁了新的应用；数据处理阶段不再需要图像配准。来自数据存储平台的解耦图像可被更高效地利用来训练用于 SR 数字岩石应用的网络。这为异质多孔介质中多尺度流动模拟的各种应用开辟了新途径。