Dados da Submissão

Título

Aprendizado Profundo para Super-Resolução Petrográfica: Dataset MudrockZoom

Texto do resumo

A super-resolução surgiu como uma ferramenta de deep-learning útil para inúmeras áreas, e rapidamente está sendo introduzida em rotinas de petrografia digital. Porém, a dificuldade em adquirir pares de imagens de baixa- e alta-resolução da exata mesma cena leva os pesquisadores a degradar as imagens de alta-resolução para obter a versão correspondente de baixa-resolução. Como a transformação de degradação para diminuir a imagem retém parte da informação da imagem de entrada, é discutido que este processo pode levar a resultados enganosos. Para verificar o efeito de usar dataset reais ou degradados para imagens no domínio petrográfico, nós desenvolvemos MudrockZoom. Um pequeno dataset de imagens MEV de amostras de lamito para tarefas de super-resolução, que contém pares reais de imagens de baixa- e alta-resolução da exata mesma região da rocha. Além de treinar e testar um modelo de super-resolução com MudrockZoom, nós também treinamos e testamos versões onde a imagem de baixa-resolução foi gerada por interpolação bicúbica da imagem de alta-resolução. Isso permitiu comparar a performance entre os modelos de super-resolução quando treinados com rotinas de datasets reais ou degradados. Foram usadas PSNR, e SSIM como métricas para quantificar e análise visual para qualificar as predições dos modelos. No treinamento, a curva loss do modelo real mostra clara dificuldade em aprender feições de imagens petrográficas nativas, ao contrário da versão degradada que rapidamente sofre sobreajuste, indicando que o dataset real possui um domínio de imagem mais complexo de aprender. Quando predito em dados de teste reais, o modelo real tem valores maiores de PSNR e SSIM que o modelo degradado. Porém, esses métodos tradicionais de avaliação são contraditos pela análise visual das imagens super-resolvidas dos modelos. O modelo degradado exibe melhores detalhes, como a textura de minerais, os formatos e bordas de pequenos poros, comparado às predições do modelo real. Esta contradição nos métodos de avaliação evidencia a falta de métricas para avaliar e quantificar as predições de imagens no domínio petrográfico. Métricas tradicionais indicam melhores resultados para a rotina com o conjunto de dados real, enquanto a análise visual favorece a rotina com o conjunto de dados degradados.

Palavras Chave

aprendizado profundo; super-resolução; petrografia digital; lamitos; Inteligência Artificial