Joint Learning of Blind Super-Resolution and Crack Segmentation for Realistic Degraded Images

要約

この論文では、ディープ ニューラル ネットワークを使用した超解像 (SR) によって増強されたクラック セグメンテーションを提案します。
提案された方法では、SR ネットワークは、バイナリ セグメンテーション ネットワークとエンド ツー エンドの方法で共同でトレーニングされます。
この共同学習により、セグメンテーション結果を改善するために SR ネットワークを最適化できます。
現実的なシナリオでは、未知のぼかしによって劣化した低解像度の画像を処理するために、SR ネットワークが非ブラインドからブラインドに拡張されます。
共同ネットワークは、SR とセグメンテーション間の相互最適化をさらに促進する、提案された 2 つの追加パスによって改善されます。
SoTA セグメンテーション法との比較実験は、私たちの共同学習の優位性を示し、さまざまなアブレーション研究が私たちの貢献の効果を証明しています。

要約(オリジナル)

This paper proposes crack segmentation augmented by super resolution (SR) with deep neural networks. In the proposed method, a SR network is jointly trained with a binary segmentation network in an end-to-end manner. This joint learning allows the SR network to be optimized for improving segmentation results. For realistic scenarios, the SR network is extended from non-blind to blind for processing a low-resolution image degraded by unknown blurs. The joint network is improved by our proposed two extra paths that further encourage the mutual optimization between SR and segmentation. Comparative experiments with SoTA segmentation methods demonstrate the superiority of our joint learning, and various ablation studies prove the effects of our contributions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google