利用深度学习提高显微CT图像的分辨率和纹理恢复

原文标题：Boosting Resolution and Recovering Texture of micro-CT Images with Deep Learning

摘要：数字岩石成像受到探测器硬件的限制，必须在图像视场(FOV)和图像分辨率之间进行权衡。这可以通过采用宽视场、低分辨率(LR)图像和高分辨率(HR)、高视场(FOV)图像的超分辨率(SR)技术进行补偿。增强的深超分辨率生成性对抗性网络(EDSRGAN)是在深度学习数字岩石超分辨率数据集上进行培训的，这是一个12000多个原始和处理的UCT图像的汇编。与双三次插值相比，网络的相对误差降低了50%~70%。与SRCNN等方法相比，GaN在纹理恢复方面表现出更好的视觉相似性。差分图表明，SRGAN网络的SRCNN段恢复了大尺度边缘(晶界)特征，而GaN网络恢复了难以分辨的高频纹理。网络性能随着增强而得到推广，对噪声和模糊有很强的适应性。将HR图像输入网络，生成HR-SR图像，将网络性能外推到HR图像本身的亚分辨率特征。结果表明，溶解矿物和薄裂缝等低分辨率特征被再生，尽管网络运行在训练的规格之外。与扫描电镜图像的比较表明，细节与样品的基本几何形状是一致的。纹理的恢复有利于高分辨率微孔特征的数字岩石的特征，如碳酸盐和煤样品。通常受岩石矿物学(煤)、快速瞬变成像(水驱)或源能量(微孔隙度)限制的图像可以被超精确地解析，以便进一步分析下游。

地址： https://arxiv.org/abs/1907.07131

作者： Ying Da Wang, Ryan T. Armstrong, Peyman Mostaghimi