Apprentissage conjoint de la super-résolution aveugle et de la segmentation des fissures pour des images dégradées réalistes

Cet article propose une segmentation des fissures améliorée par une super-résolution (SR) basée sur des réseaux neuronaux profonds. Dans la méthode proposée, un réseau de super-résolution est entraîné conjointement avec un réseau de segmentation binaire de manière end-to-end. Ce apprentissage conjoint permet au réseau de SR d’être optimisé spécifiquement pour améliorer les résultats de segmentation. Dans des scénarios réalistes, le réseau de SR est étendu de sa forme non aveugle à une forme aveugle afin de traiter des images à faible résolution dégradées par des floues inconnus. Le réseau conjoint est amélioré par deux chemins supplémentaires proposés, qui renforcent davantage l’optimisation mutuelle entre la super-résolution et la segmentation. Des expériences comparatives avec des méthodes de segmentation de l’état de l’art (SoTA) démontrent l’avantage de notre approche d’apprentissage conjoint, tandis que diverses études d’ablation confirment l’impact de nos contributions.