《Developments in the Built Environment》:SDANet: A structure-detail aware network for image restoration in enclosed building spaces under fire-smoke conditions
编辑推荐:
封闭建筑空间内的火灾与烟雾会引发严重的视觉退化,削弱智能监控与应急管理系统效能。稠密且动态扩散的烟雾导致强非均匀遮挡、结构腐蚀与多尺度干扰,使建筑火灾应急场景下的可靠感知极具挑战。为此,研究人员提出结构-细节感知网络(SDANet),由三个新颖架构模块组成。其
封闭建筑空间内的火灾与烟雾会引发严重的视觉退化,削弱智能监控与应急管理系统效能。稠密且动态扩散的烟雾导致强非均匀遮挡、结构腐蚀与多尺度干扰,使建筑火灾应急场景下的可靠感知极具挑战。为此,研究人员提出结构-细节感知网络(SDANet),由三个新颖架构模块组成。其一,烟雾特征自适应提取(SFAE)模块构建通道专属空间注意力图,实现通道-空间联合建模,增强高非均匀区域中的烟雾表征。其二,多分辨率频域增强(MFDE)模块在下采样过程中保留高频边缘与纹理信息,并强化全局语义一致性。其三,跨尺度非均匀感知融合(CNPF)模块依据区域上下文为浅层与深层特征分配自适应融合权重,缓解局部遮挡与全局扩散间的语义冲突。为验证所提方法,研究人员构建了新的封闭建筑空间火灾烟雾图像复原数据集用于训练与评估。实验结果表明,SDANet优于七种前沿方法,峰值信噪比(PSNR)提升4.57至14.79 dB,结构相似性(SSIM)增益0.07至0.46。其在稳定性、去烟质量、效率与数据依赖性上的表现证明了其在结构与细节恢复及跨场景鲁棒性方面的能力。基于SHAP的可解释性分析定量归因了各模块贡献,提升了网络可解释性与理论完备性。
研究背景与立项依据
封闭建筑空间火灾应急中,快速蔓延的烟雾造成能见度严重下降,阻碍视觉、扭曲结构信息,制约智能消防监控系统中目标检测、人员辨识与场景理解等下游任务。既有图像复原方法多源于去雾、去雨、去噪与低光照增强,其假设退化静态、均匀或具规则形态,难以应对火灾烟雾的高非均匀性、动态扩散性与结构腐蚀。传统物理先验方法(如大气散射模型ASM、暗通道先验DCP)依赖强假设,在复杂动态退化下易产生伪影与细节丢失;早期深度学习端到端方法虽摆脱物理先验,但缺乏对烟雾通道-空间交互与非均匀遮挡的针对性建模。同时,真实火灾配对数据稀缺,限制数据驱动方法发展。因此,研究人员开展面向封闭建筑空间火灾烟雾的图像复原研究,并提出SDANet与配套仿真数据集,论文发表于《Developments in the Built Environment》。
主要关键技术方法
研究人员基于Unity3D平台构建封闭建筑空间火灾烟雾合成数据集,涵盖轻烟与浓烟两类浓度,共13990对图像,按6:2:2划分训练/验证/测试集,粒子系统纹理取自真实火景以保证结构腐蚀真实性。方法层面,SDANet以编码器-解码器为骨架,依次嵌入三个核心模块:烟雾特征自适应提取(SFAE)通过通道压缩恢复与空域平均/最大池化拼接生成通道专属空间重要性图(WSIM);多分辨率频域增强(MFDE)采用Haar离散小波变换分解低频YL与高频YHL、YLH、YHH子带,经1×1卷积重整与跨频交互后并联残差下采样;跨尺度非均匀感知融合(CNPF)对深浅特征通道拼接后,以不同膨胀率深度可分离卷积提取局部与全局响应,由平均/最大池化经7×7卷积+Sigmoid生成动态权重w1、w2实现加权融合。训练采用AdamW(权重衰减1e-6,初学习率3e-4,batch 16,余弦退火),以PSNR监测验证集并早停。
研究结果
数据集构建与图像特征分析
研究人员通过Unity3D粒子系统叠加真实火景纹理生成轻烟/浓烟图像对,系统统计显示烟雾退化具三特征:空间分布不均(局部密遮、周边相对清晰)、局部-全局跨尺度退化(中心高频细节丢失伴背景低频亮度压缩)、结构信息腐蚀(边缘轮廓模糊、灰度直方图向中灰集中)。该分析为后续通道-空间联合与跨尺度融合设计提供动因。
方法
SFAE模块
研究人员对输入X∈RC×H×W作浅层卷积增强得XS,通道维经GAP与两层1×1卷积得通道权WC,空间维经通道平均/最大池化拼接后7×7卷积得WS,二者加和得粗响应F,经通道混洗(CS)与膨胀率3的7×7深度可分离卷积+Sigmoid得WSIM,最终Xout=X⊕(XS?WSIM)。该机制使网络在非均匀烟雾区精细调节通道-空间响应,抑制弱纹理丢失。
MFDE模块
研究人员以Haar小波将X分解为4个子带构成X?∈R4C×H/2×W/2,1×1卷积+BN+ReLU跨频重整得X?′,并联1×1卷积+步长2下采样残差路,输出Xout=X?′⊕W1×1res·Subsample(X)。该设计在压缩空间尺寸时保留高频边缘,缓解下采样结构模糊。
CNPF模块
研究人员将深浅特征F1、F2通道拼接为F,依次经5×5膨胀1与7×7膨胀3深度可分离卷积得F1l、F2l,对二者拼接特征作平均池化wavp与最大池化wmap,拼接后7×7卷积+Sigmoid出动态权重[w1,w2],最终F?=F?C1×1((w1?F1l)⊕(w2?F2l))。该机制依烟雾强度自适应权衡浅层细节与深层语义,缓和局部遮挡与全局扩散冲突。
实验设置与评估
研究人员在RTX 4080+PyTorch1.10环境下,以600×440随机裁剪块训练,对比AOD、FFA、MFDNet、Trinity、DEA、Fourmer、PUCC七法,采用PSNR与SSIM评测。结果显示SDANet在轻烟/浓烟测试集上PSNR较对比法提升4.57–14.79 dB,SSIM增益0.07–0.46,推理效率与数据依赖性均占优;SHAP归因证实SFAE、MFDE、CNPF均正向贡献,网络具可解释性。
讨论与结论翻译
研究人员指出,既有增强方法建基于静态均匀退化假设,难以建模火灾烟雾的非结构遮挡、高非均匀与动态扩散;所提SDANet通过通道-空间联合建模、频域多分辨率增强与跨尺度自适应融合,在封闭建筑空间合成数据集上实现结构边界与高频纹理的有效恢复,弥补了该场景专用数据集与针对性网络双重缺口。结论部分表明:SDANet在稳定性、去烟质量、效率与跨场景鲁棒性上均验证了其结构与细节恢复能力;基于Unity3D构建的配对数据集为后续算法提供统一基准;SHAP驱动的可解释性分析量化了各模块贡献,完善了理论闭环。该研究对提升智能消防应急系统的环境感知与决策支持具有明确工程意义。