ИСТИНА

В докладе рассматривается задача автоматизированного создания размеченных наборов данных для детекции артефактов суперразрешения, генерируемых глубокими нейросетями, в том числе GAN-моделями. Предлагается метод целенаправленной генерации локализованных артефактов с помощью модифицированной состязательной атаки на основе быстрого знака градиента (FGSM). Ключевая модификация функции потерь позволяет максимизировать искажения в заданной маской области и минимизировать их вне её, что обеспечивает имитацию естественных дефектов. На основе метода формируется набор данных, содержащий более 2000 примеров артефактов. Качество автоматической разметки оценивается метриками IoU, Precision и Recall, демонстрируя значение IoU >0.7 для различных детекторов, что превосходит результаты на существующих наборах. На основе созданного набора данных был обучен метод детекции артефактов, превосходящий по качеству базовый метод DeSRA. Показана практическая полезность метода для создания масштабируемых данных, необходимых для обучения и оценки моделей детекции, постобработки результатов SR и разработки более надёжных методов суперразрешения.