Verbesserung der Synthese von Sicherheitsröntgenbildern: Fortschrittliche generative Modelle und innovative Datenaugmentationstechniken

Diese Studie beschäftigt sich mit dem Bereich der Sicherheitsröntgeninspektion und konzentriert sich auf die Synthese realistischer Röntgenbilder unter Verwendung fortschrittlicher generativer Modelle. Unzureichende Trainingsdaten in diesem Bereich stellen eine große Herausforderung dar, die wir durch innovative Datenaugmentationstechniken angehen. Wir nutzen die Kraft von generativen adversarialen Netzwerken (GANs) und bedingten GANs (cGANs), insbesondere der Modelle Pix2Pix und Pix2PixHD, um die Generierung von Röntgenbildern aus verschiedenen Eingaben wie Masken und Kanten zu untersuchen. Unsere Experimente, die an einem koreanischen Datensatz mit gefährlichen Objekten durchgeführt wurden, die für Sicherheitskontrollen relevant sind, zeigen die Wirksamkeit dieser Modelle bei der Verbesserung der Qualität und des Realismus der Bildsynthese. Quantitative Bewertungen auf der Grundlage von Metriken wie PSNR, SSIM, LPIPS, FID und FSIM mit Werten von 19,93, 0,71, 0,12, 29,36 und 0,54 zeigen die Überlegenheit unserer Strategie, insbesondere wenn sie mit hybriden Eingaben kombiniert wird, die sowohl Kanten als auch Masken enthalten. Insgesamt heben unsere Ergebnisse das Potenzial fortschrittlicher generativer Modelle hervor, die Herausforderungen der Datenknappheit in der Sicherheitsröntgeninspektion zu überwinden und den Weg für effizientere und genauere Inspektionssysteme zu ebnen.