基于深度先验的下水道图像超分辨率及其轻量化网络
计算机视觉与模式识别
2025-02-26 v3 图像与视频处理
摘要
Quick-view(QV)技术是检测下水道系统缺陷的主要方法。然而，QV的有效性受限于其硬件的视野范围，导致远距离管网部分图像质量不佳。图像超分辨率是提高图像质量的有效手段，已在各种场景中得到应用。然而，针对下水道图像的超分辨率研究仍相当不足。为此，本研究利用QV图像中固有的深度关系，引入一种 novel Depth-guided, Reference-based Super-Resolution框架，称为DSRNet。它包含两个核心组件：深度提取模块和深度信息匹配模块(DMM)。DSRNet将低分辨率图像的相邻帧作为参考图像，并基于相关性帮助恢复纹理信息。通过组合这些模块，深度先验的集成显著提升了视觉质量和性能指标。此外，为追求计算效率和紧凑性，本研究引入一种基于注意力机制的超分辨率知识蒸馏模型。该机制促进了较复杂教师模型与简化学生模型之间的特征相似性获取，后者是DSRNet的轻量化版本。实验结果表明，DSRNet在其他方法的基础上显著提高了PSNR和SSIM指数。本研究还对下水道缺陷的语义分割、目标检测和分类任务在Pipe数据集和Sewer-ML数据集上进行了实验。实验表明，该方法可提高低分辨率下水道图像在这些任务中的性能。
引用
@article{arxiv.2407.19271,
title = {Sewer Image Super-Resolution with Depth Priors and Its Lightweight Network},
author = {Gang Pan and Chen Wang and Zhijie Sui and Shuai Guo and Yaozhi Lv and Honglie Li and Di Sun and Zixia Xia},
journal= {arXiv preprint arXiv:2407.19271},
year = {2025}
}