.png){kind=icon}
返回
DiffCrack: A semantic–structural controllable framework for crack image generation in complex scenes
.png){kind=icon}
PRE
AI
DOI：10.1016/j.patcog.2026.113771.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
• 具有解耦几何和语义的扩散框架用于裂缝生成。
• 分层提示注意力机制实现属性特定的视觉调节。
• 生成的数据集显著提高了复杂场景中的分割精度。
• 面具预处理流程确保几何合理性及空间对齐。
• 定量与可视化结果展示了超越现有最佳方法的高保真度。
Keyword:
Image generation
Pavement cracks
Diffusion model
Data enhancement
Multimodal data
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
引用论文
High-resolution concrete damage image synthesis using conditional generative adversarial network基于条件生成对抗网络的高分辨率混凝土损伤图像合成
PREAI
分享收藏
分享收藏Automatic detection method of tunnel lining multi-defects via an enhanced You Only Look Once network
PREAI
分享收藏Enhanced Multiview attention network with random interpolation resize for few-shot surface defect detection具有随机插值调整大小的增强型多视图注意网络，用于少炮表面缺陷检测.png)
MULTIMEDIA SYSTEMS
MULTIMEDIA SYSTEMSIF3.1
PREAI
分享收藏
查看更多内容