融合 GAN 与纹理合成以增强道路损伤检测

在交通安全与道路养护领域，精确检测道路损伤对保障安全驾驶与延长道路寿命至关重要。然而，当前方法常因数据有限而不足。先前尝试使用生成对抗网络(GAN)生成形状多样的损伤并手动整合至合适位置。但该问题尚未被充分探索，且面临两项挑战。其一，它们仅丰富了损伤的位置与形状，却忽视严重程度的多样性，且真实感仍待提升。其二，它们需要大量人工投入。为应对这些挑战，我们提出一种创新方法。除使用 GAN 生成多种形状的损伤外，我们进一步采用纹理合成技术提取道路纹理。随后将这两部分以不同权重混合，从而控制合成损伤的严重程度，再通过泊松融合嵌回原始图像。我们的方法既保证了损伤严重程度的丰富性，又更好地与背景对齐。为节省人工成本，我们在嵌入时利用结构相似性进行自动样本筛选。每张原始图像的每个增广数据均包含不同严重程度的版本。我们实施简单筛选策略以缓解分布漂移。实验在公开道路损伤数据集上进行。所提方法不仅免去人工劳作，还取得显著提升，将 mAP 提高 4.1%、F1 分数提高 4.5%。