CrackSegDiff：基于扩散概率模型的多模态裂缝分割
计算机视觉与模式识别
2024-10-15 v2
摘要
将灰度图和深度数据集成到道路检查机器人中，可提高道路状况评估的准确性、可靠性和全面性，从而改进维护策略和更安全的基础设施。然而，这些数据源常常因路面背景噪声而受到显著影响。近期进展表明，扩散概率模型 (DPM) 在图像分割任务中展现出惊人的成功，尤其在像 SegDiff 这样的研究中显示出强大的去噪能力。尽管如此，当前基于 DPM 的分割器未充分发挥原始图像数据的潜力。本文提出一种新颖的基于 DPM 的裂缝分割方法，命名为 CrackSegDiff，其独特之处在于融合灰度图和范围/深度图像。该方法通过加强 DPM 与全局特征提取之间的交互来强化逆扩散过程。不同于采用 Transformer 处理全局特征，我们的方法采用 Vm-unet 高效地捕获原始数据的长程信息。特征集成通过两种创新模块进一步细化：通道融合模块 (CFM) 和浅层特征补偿模块 (SFCM)。我们的实验在 FIND 数据集上的三类裂缝图像分割任务中表明，CrackSegDiff 在各类 SOTA 方法中均表现出色，尤其擅长浅层裂缝检测。代码已公开 https://github.com/sky-visionX/CrackSegDiff。
引用
@article{arxiv.2410.08100,
title = {CrackSegDiff: Diffusion Probability Model-based Multi-modal Crack Segmentation},
author = {Xiaoyan Jiang and Licheng Jiang and Anjie Wang and Kaiying Zhu and Yongbin Gao},
journal= {arXiv preprint arXiv:2410.08100},
year = {2024}
}