BEGIN:VCALENDAR VERSION:2.0 PRODID:-//pretalx//conf.esoil.ru//soil-structure-symposium-2025//talk//VFK9 CA BEGIN:VTIMEZONE TZID:MSK BEGIN:STANDARD DTSTART:20001029T040000 RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=10;UNTIL=20111030T000000Z TZNAME:MSK TZOFFSETFROM:+0400 TZOFFSETTO:+0300 END:STANDARD BEGIN:STANDARD DTSTART:20120101T000000 RRULE:FREQ=YEARLY;BYMONTH=1;UNTIL=20131231T200000Z TZNAME:MSK TZOFFSETFROM:+0400 TZOFFSETTO:+0400 END:STANDARD BEGIN:STANDARD DTSTART:20150101T000000 RRULE:FREQ=YEARLY;BYMONTH=1 TZNAME:MSK TZOFFSETFROM:+0300 TZOFFSETTO:+0300 END:STANDARD BEGIN:DAYLIGHT DTSTART:20000326T030000 RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=3;UNTIL=20100328T000000Z TZNAME:MSD TZOFFSETFROM:+0300 TZOFFSETTO:+0400 END:DAYLIGHT END:VTIMEZONE BEGIN:VEVENT UID:pretalx-soil-structure-symposium-2025-VFK9CA@conf.esoil.ru DTSTART;TZID=MSK:20250529T144800 DTEND;TZID=MSK:20250529T144900 DESCRIPTION:Генеративно-состязательные сети (G AN\, Generative Adversarial Networks) и диффузионные веро ятностные модели представляют два принц ипиально различных подхода к задаче суп ерразрешения (super-resolution) изображений поч в\, полученных методом компьютерной томо графии (КТ). GAN обучают генератор воспрои зводить высокочастотные текстуры\, диск риминатор учится отличать синтетически е фрагменты от реальных. Этот состязател ьный процесс даёт визуально чёткие резу льтаты\, но сопровождается резким падени ем качества\, особенно при значительном повышении разрешения. Диффузионные моде ли\, напротив\, осуществляют постепенное многошаговое удаление шума из случайног о сигнала\, созданного исходным увеличен ным изображением. Каждый шаг последоват ельно восстанавливает структурные дета ли\, благодаря чему итоговые изображения лучше сохраняют исходную топологию пор ового пространства\, не только оптимизир уя показатели попиксельного сходства.\nВ проведённой нами оценке 34 КТ-срезов поч венных образцов модель SRLGAN на увеличени и 4× достигла значений PSNR (Peak Signal-to-Noise Ratio) 28.11±2.35 дб и SSIM (Structural Similarity Index) 0.74±0.08\, с о шибкой оценки пористости (porosity error) 1.72±1.60 % и расхождением Дженсена–Шеннона (Jensen– Shannon divergence) 0.35±0.10. Модель Real-ESRGAN показала сходные результаты при времени вывода м енее 0.05 с на входное изображение 64×64\, од нако качество значительно ухудшилось на увеличении 8×: PSNR упал до 21.94±2.65 дб\, SSIM – до 0.44±0.11\, ошибка пористости увеличилась до 5.00±4.22%. Диффузионная модель SR3 показа ла при увеличении 4× значения PSNR 24.14±2.24 д б и SSIM 0.64±0.11 с ошибкой оценки пористости 0.74±0.82% и расхождением распределения раз меров пор (pore-size divergence) 0.23±0.08\; её модифик ация XCT-SR3\, с удлиненным временем генерац ии\, позволила увеличить PSNR до 27.12±2.63 дб\, SSIM до 0.67±0.10 и снизить ошибку оценки пори стости до 0.63±0.63%. При 8-кратном увеличени и SR3 сохранила показатели 23.18±2.60 дб и 0.48 ± 0.13 SSIM при ошибке пористости 0.70±0.90%\, в то время как XCT-SR3 достигла 23.61± 3.05 дб\, 0.51±0.11 SSIM и ошибки пористости 0.89±0.96%. \nРезульта ты демонстрируют компромисс между подхо дами. GAN обеспечивают быстрое получение визуально качественных реконструкций п ри умеренном увеличении разрешения\, что важно в прикладных задачах\, требующих о бработки больших массивов данных или ув еличения изображений в реальном времени . Вместе с тем\, природа их обучения порож дает артефакты и нестабильные результат ы на высоких масштабах увеличения (x8)\, ух удшая количественные характеристики по рового пространства. Диффузионные модел и\, несмотря на высокие вычислительные з атраты\, дают наиболее точное воспроизве дение структуры пор на различных масшта бах. Итеративный процесс удаления шума о беспечивает минимальное отклонение так их топологических показателей\, как числ о Эйлера (Euler number)\, позволяя реконструиро ванным изображениям максимально точно с оответствовать исходной топологии обра зцов. Таким образом\, если основной целью суперразрешения является получение виз уально чётких КТ-срезов для качественно й интерпретации\, подходы на основе GAN (SRLG AN или Real-ESRGAN)\, представляют собой рацион альный компромисс между скоростью работ ы и качеством текстур. В задачах количес твенной оценки почвенных образцов\, где точность воспроизведения пористости\, р аспределения размеров и связности пор о пределяет последующий анализ\, наиболее надёжными оказываются диффузионные мод ели\, особенно XCT-SR3\, несмотря на высокие вычислительные затраты.\n\nРабота выполн ена при финансовой поддержке Министерст ва науки и высшего образования Российск ой Федерации (Соглашение №075-15-2024-545 от 24 апреля 2024 года). DTSTAMP:20260520T060250Z LOCATION:Стенд-холл (коридор 3 этажа) SUMMARY:Увеличение разрешения изображений п очвы методами глубокого обучения: генер ативные и диффузионные сети - Бардашов Д анила Романович URL:https://conf.esoil.ru/soil-structure-symposium-2025/talk/VFK9CA/ END:VEVENT END:VCALENDAR