隧道衬砌图像亮度引导的扩散模型TunnelDiff：提升低质量图像缺陷检测效能的创新方法

本文提出TunnelDiff，一种基于预训练Stable Diffusion的亮度引导图像复原模型，通过光照分布模块（IDM）和亮度引导模块（BGM）解决隧道图像光照不均与目标亮度模糊问题。实验表明，该模型在曝光误差数据集和隧道缺陷数据集上显著提升图像质量指标，并有效改善裂缝缺陷检测的召回率、F1分数和IoU（分别提升2.03%、1.42%和1.55%），为隧道衬砌缺陷智能检测提供关键技术支撑。

　　

Highlight

我们的贡献可总结如下：

• •

  提出TunnelDiff，一种基于预训练Stable Diffusion Model的图像重建扩散模型，通过跨域泛化能力提升图像亮度与清晰度。

• •

  采用无监督学习方式增强未配对的隧道衬砌图像质量，验证表明增强后数据集在分割任务中表现优异且指标显著提升。

• •

  TunnelDiff能够重建特定亮度范围的图像，为不同环境条件下的图像重建提供更灵活的选择。

Tunnel Defect Segmentation（隧道缺陷分割）

早期方法主要基于改进的CNN架构。针对裂缝的不规则形态和复杂隧道背景，高分辨率特征对细节分割至关重要。Yu等人提出基于U-Net的裂缝检测模型[26]，通过跳跃连接保留空间细节。为解决局部关注及复杂环境干扰与多尺度目标的双重挑战，MC-TLD[27]采用DeepLab的空洞卷积...

Framework（框架）

本研究提出名为TunnelDiff的深度学习框架，用于重建清晰且亮度可调的图像。该框架以ControlNet为骨干模型，在潜在空间中操作。图1展示了完整生成过程，包含扩散过程与重建过程。扩散过程生成训练配对数据，重建过程则预测噪声并整合复原模块...

Dataset（数据集）

实验使用两个数据集：

• •

  曝光误差数据集：包含由专家调整的不同高分辨率下的曝光不足、过度曝光和正常曝光图像。训练集和验证集分别有3535和150对图像，涵盖景观、人物、建筑等多种场景。TunnelDiff从全数据集随机采样训练图像，并添加随机噪声与压缩。

• •

  隧道缺陷数据集：...

Conclusions（结论）

总之，本研究提出的TunnelDiff为隧道缺陷分割中的图像复原提供了强大框架。通过先进的复原扩散模型、迁移学习技术以及专用于光照校正和亮度引导的模块，TunnelDiff展现出优于现有方法的性能。其亮度增强的可控性和图像复原的有效性，凸显了其在提升隧道检测图像质量方面的潜力。