利用 GAN 与扩散模型进行数据增强与分辨率提升以实现树木分割
计算机视觉与模式识别
2025-05-22 v1 人工智能
机器学习
摘要
城市森林在提升城市环境质量和支持生物多样性方面发挥着关键作用。绘制和监测这些绿色空间对城市规划和保护至关重要，但由于复杂的景观以及不同卫星传感器或无人机飞行高度导致的图像分辨率变化，准确检测树木仍然具有挑战性。虽然深度学习架构在应对这些挑战方面显示出前景，但其有效性仍然强烈依赖于大量人工标注数据集的可用性，而这些数据集往往昂贵且难以获取足够数量。在这项工作中，我们提出了一种新颖的管道，将域适应与 GAN 及扩散模型相结合，以增强低分辨率航拍图像的质量。我们的管道在保留语义内容的同时增强低分辨率图像，无需大量人工标注数据即可实现有效的树木分割。利用 pix2pix、Real-ESRGAN、Latent Diffusion 和 Stable Diffusion 等模型，我们生成真实且结构一致的合成样本，以扩展训练数据集并统一跨域尺度。该方法不仅提高了分割模型在不同采集条件下的鲁棒性，还为标注资源稀缺的遥感场景提供了可扩展且可复制的解决方案。实验结果表明，低分辨率图像的 IoU 提升了超过 50%，凸显了我们的方法相较于传统管道的有效性。
引用
@article{arxiv.2505.15077,
title = {Data Augmentation and Resolution Enhancement using GANs and Diffusion Models for Tree Segmentation},
author = {Alessandro dos Santos Ferreira and Ana Paula Marques Ramos and José Marcato Junior and Wesley Nunes Gonçalves},
journal= {arXiv preprint arXiv:2505.15077},
year = {2025}
}
备注
18 pages, 13 figures