SDENet：基于多尺度注意力质量感知的合成缺陷数据评价网络.pdfVIP

2025年2月图学学报February2025

第46卷第1期JOURNALOFGRAPHICSVol.46No.1

SDENet：基于多尺度注意力质量感知的

合成缺陷数据评价网络

1,2,311,2,31,2,3

卢洋，陈林慧，姜晓恒，徐明亮

(1.郑州大学计算机与人工智能学院，河南郑州450001；

2.智能集群系统教育部工程研究中心，河南郑州450001；

3.国家超级计算郑州中心，河南郑州450001)

摘要：通过对数据扩增方式合成的缺陷数据进行质量评估，有助于实现缺陷数据高质量扩充，进而缓

解缺陷数据不足导致的检测模型性能不佳问题。针对现有质量评价算法在评估合成缺陷数据质量时更关注数据

的失真特性而忽略了对数据缺陷属性考量的问题，提出一种基于注意力特征增强(AFE)和多尺度注意力质量感

知(MAQP)的模型SDENet，综合考虑数据的失真特性和缺陷属性进行质量评价。首先，AFE通过双分支池化

操作提高模型对不同尺寸、位置缺陷的泛化能力，并结合注意力机制增强模型对特征的表达。其次，MAQP对

AFE增强后的特征进行向量化与融合处理，以更好地感知合成缺陷数据质量。最后，对融合后的特征进行质量

评估，得到最终的评估分数。在构建的合成道路裂缝缺陷数据集上进行实验，结果表明，SDENet模型在RMSE，

RMAE，PLCC和SROCC指标上均取得最优结果，比次优模型依次提升10.7%，5.0%，1.8%和1.8%，验证了

模型的有效性。在失真数据集TID2013上，SDENet模型也取得较有竞争的结果，在PLCC和SROCC指标上

依次达到0.902和0.876。

关键词：注意力机制；特征增强；特征融合；合成缺陷数据；质量评价

中图分类号：TP18;TP391.41DOI：10.11996/JG.j.2095-302X.2025010094

文献标识码：A文章编号：2095-302X(2025)01-0094-10

SDENet:asyntheticdefectdataevaluationnetworkbasedon

multi-scaleattentionqualityperception

1,2,311,2,31,2,3

LUYang,CHEN