DCDGNet:双频交叉特征扩散GAN用于在暴露的海底管道检查中生成单个聚变声纳图像
Jingyao Zhang1, Xuerong Cui2, Song Dai1
1College of Oceanography and Space Informatics, China University of Petroleum (East China), Qingdao, 266580, China.
Marine pollution bulletin
|January 14, 2026
概括
这项研究引入了一个新的AI模型,双频交叉特征扩散GAN (DCDGNet),用于生成用于海底管道检查的合成声纳图像. 这解决了数据稀缺问题,提高了安全性,减少了海洋污染风险.
科学领域:
- 海洋工程 海洋工程
- 人工智能的人工智能
- 声纳成像 声纳成像
背景情况:
- 暴露的海底管道面临损坏和破裂的风险,导致海洋污染.
- 使用多射线回声声仪 (MBES) 和侧扫声仪 (SSS) 数据进行安全检查至关重要.
- 对于深度学习的融合声纳图像的有限可用性妨碍了准确的检查.
研究的目的:
- 开发一种新型的生成模型,用于合成海底管道的高保真融合声纳图像.
- 为了克服海底管道检查的深度学习数据稀缺性的局限性.
- 提高海底管道安全检查的准确性,减轻海洋污染风险.
主要方法:
- 拟议的双频交叉特征扩散GAN (DCDGNet) 用于从单个输入生成多种融合声纳图像.
- 采用频率分解来防止空间建模文物.
- 集成的双频交叉变压器融合模块 (DF-CTFM),双频协作增强模块 (DF-CEM) 和特征扩散模块 (FDM).
主要成果:
- 与现有方法相比,DCDGNet在结构保真和细节保存方面表现出卓越的表现.
- 实现了231.96的Fréchet初始距离 (25.4%的减少) 和0.34的内核初始距离 (21%的减少).
- 生成的样本在UNet++细分中显示了与真实数据可比的性能,提高了检测准确度.
结论:
- DCDGNet有效地产生多样化和现实的融合声纳图像,解决海底管道检查数据稀缺的问题.
- 该模型的先进模块可确保生成图像的高保真性和细节保存.
- 通过生成图像来增强数据,可以显著改善暴露管道细分和检测精度,降低海洋污染风险.


