Page 116 - 2025年第56卷第10期

器替换为多特征生成器。当网络输入损坏图像时，生成器可以自动生成相应的注意力掩膜图像 G m
（G m ∈ [ 0，1] ）和内容图像 G c 。然后，将两者与损坏图像 I c 进行融合，生成重构后的图像 I r ，融合过程
如式（1）所示。
I r = I c *G m + G c *(1 - G m ) （1）
式中 * 表示两图像逐像素点灰度值相乘。
在该机制中，注意力掩膜图像 G m 用于定义损坏图像 I c 和内容图像 G c 的每个像素在重构后图像 I r 的
占比。通过结合对抗网络基本损失、掩膜对抗损失和内容注意力损失，网络在训练过程中能够增强裂
缝区域中内容图像 G c 的占比，同时提升非裂缝区域中损坏图像 I c 的占比。通过这一设计，网络能够聚
焦于需重构的裂缝区域，而非裂缝区域保持不变，降低了传统重构模型中由于背景区域重构对分割精
度的影响。
3.2 多特征对抗训练 考虑到注意力引导重构网络需要生成包含多种特征的图像，提出一种多特征对
抗训练方法，以确保生成的注意力掩膜图像和重构图像更符合预期效果。
多特征对抗训练主要包括一个多特征生成器 G 以及两个判别器：图像判别器 D image 和掩膜判别器
D mask 。其中，多特征生成器由编码器和解码器组成，包含一系列卷积层和残差模块，具体为：RP-3、
CBR7S1-64、 CBR3S2P1-128、 CBR3S2P1-256、 RB-256×9、 TC3S2P1-128、 TC3S2P1-64、 RP-3 和
C7S1-4，其中 RP-3 表示对图像的边缘进行 3 个像素的反射填充；CBRkSiPj-n 表示一个卷积核大小为
k × k、步长为 i、填充为 j、通道数为 n 的 Conv-BatchNorm-ReLU（CBR）卷积块；RB-256 × 9 表示 9 个通
道数为 256 的残差块；TCkSiPj-n 表示一个卷积核大小为 k × k、步长为 i、填充为 j、通道数为 n 的反卷

积 CBR 块；CkSiPj-n 表示一个卷积核大小为 k × k、步长为 i、填充为 j、通道数为 n 的卷积计算。两类
判别器 D image 和 D mask 分别使用两组图像对作为网络输入。其中，图像判别器 D image 用于判别背景图像-损
坏图像对和重构图像-损坏图像对，掩膜判别器 D mask 用于判别生成掩膜-损坏图像对和真实掩膜-损坏
图像对。通过以损坏图像作为条件，这种设计能够引导生成器生成与损坏图像高度匹配的图像 ［33］ 。两
类判别器 D image 和 D mask 的网络架构除输入通道数不同外，其他部分完全一致，具体为：C4S2P1-64、
CBR4S2P1-128、CBR4S2P1-256、CBR4S2P1-512、CBR4S2P1-1024 和 C4S1P1-1。多特征生成器和两
类判别器的网络结构示意如图 5 所示。

图 5 多特征生成器与判别器网络结构图

3.3 裂缝区域定位 在测试阶段，当输入裂缝图像 I tc 时，网络首先通过重构模块对裂缝区域进行重
构，生成重构图像 I tr 。然后，计算重构图像 I tr 与裂缝图像 I tc 的绝对差值获取差异图。最后，采用

— 1363 —