《Neural Networks》：Super-Resolution for Reliable Industrial Inspection under Mixed Degradations
编辑推荐：
摘要工业缺陷检测对图像退化非常敏感，因为模糊、噪声、压缩以及有限的空间分辨率都会掩盖细微的结构变化，而超分辨率重建则可能引入高频伪影，干扰下游检测过程。针对这一问题，我们提出了 SynSR，一种面向检测的混合退化超分辨率框架。给定一张退化的低分辨率图像，SynSR 首先进行结
摘要
工业缺陷检测对图像退化非常敏感，因为模糊、噪声、压缩以及有限的空间分辨率都会掩盖细微的结构变化，而超分辨率重建则可能引入高频伪影，干扰下游检测过程。针对这一问题，我们提出了 SynSR，一种面向检测的混合退化超分辨率框架。给定一张退化的低分辨率图像，SynSR 首先进行结构先验提取，将梯度响应和拉普拉斯响应编码为紧凑先验，以刻画局部结构变化。随后，该先验通过先验引导特征传输层引入恢复主干网络，其中全局先验门控根据结构先验、当前特征响应以及可选的退化信息自适应地调节中间特征更新。在重建之前，伪影导向卷积以空间和通道感知的方式调节中间响应，以抑制可能传播至超分输出中的不稳定高频激活。最后，不同的超分前端在统一的超分-检测协议下进行评估，测试退化条件匹配，下游检测架构保持不变。在 MVTec AD 和 MPDD 数据集上的实验表明，在混合退化条件下，SynSR 在重建质量与下游异常检测和定位性能之间取得了良好的平衡。
引言
随着智能制造和工业自动化的快速发展，基于计算机视觉的表面缺陷检测已成为工业质量控制和在线生产监测的重要组成部分。然而，在实际生产环境中，可靠的图像采集并不总能得到保证。机械振动、光照变化、镜面反射、传感器噪声以及其他采集干扰可能降低有效空间分辨率，模糊精细结构细节，削弱局部缺陷线索。这一问题对于小尺寸、低对比度和形态不规则的缺陷尤为关键，因为这些缺陷很容易被复杂的背景纹理或退化引起的伪影所掩盖。尽管检测前通常会应用去噪、光照校正和对比度增强等轻量级预处理操作，但它们恢复已在低分辨率采集过程中丢失的精细空间信息的能力有限。
由于实际工业场景中的图像退化很少孤立发生，这一问题变得更加棘手。模糊、噪声、压缩和有限的空间分辨率可能共存或相互交互，产生的观测结果比单一退化算子生成的结果更为复杂。类似的挑战促使了近期关于多重和未知退化条件下图像恢复的研究。在这种条件下，真实的结构信息可能被削弱，而退化引起的高频响应则更加突出。因此，超分辨率为工业检测提供了天然的前端，因为它能够从低分辨率观测中恢复空间细节，为后续识别提供更丰富的视觉信息。在本研究中，混合退化设置作为受控评估条件，用于研究在多种退化因素共存时超分辨率如何提供可靠的恢复。
然而，简单的先重建后检测流水线并不一定能够提升下游检测性能。传统的超分方法主要针对重建保真度或感知图像质量进行优化，其目标与下游识别或检测任务并不明确对齐。实际的盲超分方法通过更真实的退化建模和训练策略提高了恢复的鲁棒性。尽管如此，在复杂退化条件下的重建仍可能引入振铃、过度锐化或虚假高频纹理。这类响应可能使重建图像在视觉上看起来更锐利，同时改变局部纹理统计特性或边界结构，这对于工业异常检测尤为不利，因为由重建引起的这些模式可能会被误解为与缺陷相关的线索。
当超分方法主要从重建角度进行评估时，这一局限性容易被忽视。峰值信噪比和结构相似性指数被广泛用于量化像素级保真度和结构相似性，但这些重建指标的提升并不一定转化为下游识别性能的改进。重建图像可能看起来更清晰，但仍然会改变局部边界统计特性或引入细微伪影，从而影响后续预测。这一区别对于工业检测尤为重要，因为小异常通常通过细微的局部偏差来识别。如图1所示，关键问题不仅是超分辨率是否产生了更高质量的图像，而是重建图像是否保留了足够可靠的结构信息，同时没有引入对下游缺陷检测和定位具有误导性的响应。
为解决这一问题，我们提出了 SynSR，一种面向检测的混合退化超分辨率框架。SynSR 首先从退化输入中提取轻量级结构线索，并将其编码为紧凑先验。随后，该先验通过先验引导特征传输层引入恢复主干网络，其中全局先验门控根据结构先验、当前特征响应以及可选的退化信息调节中间特征更新。在重建之前，伪影导向卷积进一步调节可能传播至超分输出的不稳定空间和通道响应。这些组件旨在保留由输入支持的结构信息，同时减少重建引起的对下游检测的干扰。我们在统一的超分-检测协议下进一步评估 SynSR，该协议保持下游检测器架构不变并匹配测试退化条件。
本文的主要贡献总结如下：
- •
我们提出了 SynSR，一种面向混合退化条件下工业图像的超分辨率框架。与面向重建的超分方法不同，SynSR 强调保留信息丰富的结构线索，同时减少可能干扰下游缺陷检测和定位的重建引起响应。
- •
我们开发了一种结构引导的恢复策略，集成了结构先验提取、带有全局先验门控的先验引导特征传输层以及伪影导向卷积。结构先验为中间特征传输提供输入支持的引导，而伪影导向卷积则在重建前调节不稳定的空间和通道响应。
- •
我们建立了一个统一的超分-检测评估协议，在该协议中，不同的超分前端在匹配测试退化条件下、下游检测器架构保持不变的情况下进行评估。该协议从重建和任务两个层面评估超分方法，使不同超分前端对下游异常检测和定位的影响可以直接考察。
章节片段
工业缺陷检测与异常检测
工业视觉检测已从基于手工特征的方法发展到基于深度学习的缺陷检测和异常检测。有监督方法通常将检测形式化为目标检测或语义分割，在具有足够标注数据的情况下可实现准确的缺陷识别。近期研究进一步改进了工业缺陷检测中的局部-全局特征交互。例如，EDGL-Net
SynSR 概述
如图2所示，SynSR 遵循浅层-深层-头部架构。给定退化输入，浅层特征提取层首先将图像映射到特征空间，同时 Sobel-拉普拉斯响应被编码为紧凑的结构先验。深层恢复阶段由堆叠的残差先验门控块组成，其中先验引导特征传输层利用结构先验、当前特征响应以及
实验目标
实验从三个互补的角度评估 SynSR：标准退化和混合退化条件下的重建鲁棒性、不同超分前端对下游异常检测和定位的影响，以及通过受控消融研究提出的各组件的贡献。所有下游比较均使用固定的检测器架构和数据划分，以减少检测器侧的混杂因素。
数据准备与退化设置
我们在 MVTec AD 和 MPDD 数据集上开展实验
结论
在实际生产线中，混合采集退化会削弱细微的缺陷线索，使检测变得更加困难。尽管超分辨率为改进退化观测提供了天然前端，但可靠的检测不仅需要空间细节恢复，还需要控制可能干扰下游预测的重建伪影和虚假高频纹理。
受此启发
CRediT 作者贡献声明
米德元：项目管理、方法论。李玲：资金获取、数据整理。苗栋浩：资源、项目管理。朱塔西：初稿撰写、验证。贾亚平：审阅与编辑。
利益冲突声明
作者声明，他们没有已知的可能影响本文所述工作的竞争性经济利益或个人关系。
致谢
本研究得到国家自然科学基金委（52475124）、西安"科学家+工程师"队伍培育项目（24KGDW0026）以及陕西秦创原"科学家+工程师"队伍培育项目（2025QCY-KXJ-165）的资助。
米德元 | 李玲 | 苗栋浩 | 朱塔西 | 贾亚平
