CrackForward：用于数据增强的上下文感知严重程度阶段裂缝合成
计算机视觉与模式识别
2026-04-24 v2
摘要
可靠的裂缝检测和分割对于结构健康监测至关重要，然而标注良好的数据稀缺构成了主要挑战。为了解决这一局限性，我们提出了一种新颖的上下文感知生成框架，旨在合成逼真的裂缝生长模式以进行数据增强。与主要操作纹理或背景内容的现有方法不同，CrackForward通过将方向性裂缝延伸与学习到的加粗和分支相结合，显式地对裂缝形态进行建模。我们的框架集成了两项关键创新：一个上下文引导的裂缝扩展模块，该模块使用局部方向线索和自适应随机游走来模拟逼真的传播路径；以及一个两阶段U-Net风格生成器，学习再现空间变化的裂缝特征，如粗细、分支和生长。实验结果表明，生成的样本保持了目标阶段的饱和度和粗细特征，并提高了几种裂缝分割架构的性能。这些结果表明，与单独使用传统增强相比，结构感知的合成裂缝生成可以提供更多信息量的训练数据。
引用
@article{arxiv.2604.19941,
title = {CrackForward: Context-Aware Severity Stage Crack Synthesis for Data Augmentation},
author = {Nassim Sadallah and Mohand Saïd Allili},
journal= {arXiv preprint arXiv:2604.19941},
year = {2026}
}
备注
6