基于数据不确定性驱动的壁画线描检测鲁棒网络(DURN)研究

本文提出了一种基于数据不确定性驱动的鲁棒网络(DURN)，通过量化壁画噪声（Uncertainty）将预测转化为可学习的正态分布，结合自适应特征融合增强模块(AFFE)和深度-浅层监督模块(DSS)，在抑制噪声的同时保留细节，模型剪枝后参数量仅为原型的4.5%，AP值提升10.4%，为复杂破损壁画检测提供了高效解决方案。

　　

Highlight

本文首次利用不确定性量化壁画噪声，通过将确定性预测转化为可学习的正态分布（均值代表线描，方差表征不确定性），使模型同步学习线描与噪声，在破损壁画上生成清晰线描的同时，对复杂细节壁画也能捕捉丰富特征。

Methodology

图1展示了数据不确定性驱动鲁棒网络(DURN)的整体架构，包含主干网络、自适应融合特征增强模块(AFFE)和深度-浅层监督模块(DSS)。输入图像经编码器提取多级特征后，由AFFE模块动态调整不同尺度特征的融合权重，通过双解码器生成均值（线描）和方差（噪声）。DSS模块采用无参数的深层语义监督机制，自底向上引导浅层特征聚焦线描区域。

Dataset preparation

现有边缘检测数据集多基于自然场景，其标注线条简单且缺乏装饰性特征。而壁画线描不仅包含结构信息，还具有线条粗细变化、流动笔触等艺术特征，需专门构建数据集。

Conclusion

本研究提出的不确定性感知壁画线描检测方法，既能从破损壁画中提取高质量线描，又能完整保留复杂细节。通过模型剪枝技术，在保证精度的同时显著降低计算成本，适用于实际部署场景。