基于MD-CBAM的多样性裂缝图像修复方法

大多数现有的桥梁裂缝图像修复方法为单一目标修复,无法根据孔洞周边的有效信息生成多种合理的填充内容且修复结果存在结构扭曲和纹理模糊的问题。本文提出了一种基于掩膜距离卷积块注意力模块(mask distance convolutional block attention module,MD-CBAM)的多样性裂缝图像修复网络,该方法主要由多样性结构生成器与纹理生成器组成。提出区域结构注意力以降低遮挡区域像素与有效像素的差异性,根据掩膜特征对注意力分数进行平均池化处理,提高模型对遮挡区域的推断能力。设计MD-CBAM模块用以在纹理生成阶段合成高质量的特征,该模块利用特征之间的距离信息与语义信息,有效增强了模型填充大孔洞的能力。实验结果表明,本文方法修复的图像具有更为明确的结构和更加合理的纹理,在各掩膜比例下峰值信噪比(peak signal-to-noise ratio,PSNR)和FID(Fréchet inception distance)均达到最优,其中PSNR在掩膜比例为[0.4,0.5)时增加了0.22—2.38 dB且结构相似度(structural similarity,SSIM)值达到最优。