过去十年中，开发了自动化方法来更高效、准确和客观地检测裂缝，以替代传统的手动视觉检查技术。在这些方法中，语义分割算法在逐像素裂缝检测任务中展示了有希望的结果。然而，训练这样的数据驱动算法需要大量人工标记的带有像素级注释的数据集，这是一个高度费时费力的过程。因此，我们提出了一种无监督的逐像素道路裂缝检测网络（UP-CrackNet），通过生成多尺度正方形掩膜并从中随机选择一些，来破坏未损坏的道路图像。随后，我们训练了一种生成对抗网络，利用周围未损坏区域学到的语义上下文来恢复破坏的区域。在测试阶段，通过计算输入图像和恢复图像之间的差异生成误差图，从而实现逐像素裂缝检测。我们全面的实验结果表明，UP-CrackNet 在超出普遍用途的无监督异常检测算法之上，表现出可比或更好的性能和卓越的泛化能力，当与最先进的监督裂缝分割算法进行比较时。我们的源代码公开在 mias.group/UP-CrackNet。

Jan, 2024

提出了一种高效的算法，用于在大规模计算机断层扫描（CT）图像中识别裂缝区域，并验证了其在提高裂缝分割效率和减少计算资源需求方面的有效性。

Feb, 2024

提出一种新的多模态成像和词典学习的耦合框架方法，以改进画作分析中的 X 射线信号分离过程。实验结果显示这种方法能够成功地从单一 X-ray 扫描中分离出含有多种信息的图像。

Jul, 2016

本研究提出了一种半自动裂缝分割工具，通过图像处理算法利用多方位小波变换构建图像的 “方向得分”，从而计算出最佳裂缝路径，进而实现像素级的分割，该方法优于完全自动方法，并显示出成为手动数据标注的合适替代方法的潜力。

Mar, 2024

该研究提出了一种用于检测和定位渲染网格中裂缝伪影的新型感知性裂缝检测方法，并在大规模公共数据集上进行了实验证明其有效性和效率。

May, 2024

本文提出了一种基于贝叶斯非参数模型的超分辨率方法，该方法使用 Beta-Bernoulli 过程从数据中学习一组可重复的可视化模式（称为字典元素），并用 Gibbs 采样近似后验进行实现，但是该算法不适用于大规模数据，因此，我们发展了一种在线变分贝叶斯算法，该算法在时间上比 Gibbs 采样器所需时间的一小部分内找到高质量的字典。

Sep, 2012

通过结合领域知识和深度学习架构，我们演示了在少量数据的情况下可以获得类似的性能表现，我们的算法使用 23% 的数据就获得了和测试数据相似、多个盲数据集有显著更好的表现，其中选择基于知识的输入图像有显著的性能提升。

May, 2023

鑑於混凝土基礎設施結構完整性評估的重要性，鑑定裂紋至關重要。然而，對於計算機視覺系統來說，強大的裂紋分割仍然是一項具有挑戰性的任務，原因在於混凝土表面的多樣外觀、不同的照明和天氣條件以及不同缺陷的重疊。本文提出了一種基於分形的高度保真度裂紋圖形模擬器以及相應的完全標註的裂紋數據集，並通過利用點對點互信息估計和自適應實例正規化作為歸納偏差，補充了後者的系統。最後，通過實證研究不同設計選擇在彌合模擬與現實差距方面的相互作用，最終證明我們引入的系統能夠有效處理現實世界的裂紋分割。

Sep, 2023

本文介绍一种名为 BRGM 的方法，该方法使用先前训练好的生成模型和贝叶斯定理来解决不同的图像恢复任务，如超分辨率和图像修复，而无需重新训练模型，可以在多个数据集上实现优秀的性能。

Dec, 2020

本文提出了一种基于随机宽度（SW）方法的裂缝检测算法，以减少颜色、强度、模糊等因素对算法性能的影响，在具有挑战性的背景情景下显著提高检测效果和降低误报率和漏报率，并通过多维度测评手段在客观和主观上对算法进行了验证。

Sep, 2022