Super-resolução de imagens de CT de rochas usando uma rede adversarial generativa de atenção dual-residual

Devido aos seus benefícios em termos de alta velocidade, não destrutividade e tridimensionalidade, bem como facilidade de integração com simulação computadorizada, a tecnologia de tomografia computadorizada (CT) é amplamente aplicada em pesquisas de geologia de reservatórios. No entanto, a imagem de rochas é restrita pelo dispositivo utilizado, pois não há uma solução favorável tanto para o campo de recepção da imagem quanto para a resolução correspondente. A reconstrução de super-resolução baseada em redes neurais convolucionais tornou-se um tema quente na melhoria do desempenho das imagens de CT. Com a ajuda de um núcleo de convolução, é possível extrair características de forma eficaz e ignorar informações de perturbação. A verdade lamentável é que as redes neurais convolucionais ainda possuem inúmeros problemas, particularmente detalhes de textura pouco claros. Para enfrentar esses desafios, uma rede adversarial generativa (RDCA-SRGAN) foi projetada para melhorar a resolução das imagens de CT de rochas usando a combinação de aprendizado residual e um mecanismo de atenção dual. Especificamente, nosso gerador emprega atenção residual para extrair recursos adicionais; da mesma forma, o discriminador é baseado em atenção dual e aprendizado residual para distinguir informações contextuais geradas e diminuir o consumo computacional. Análises quantitativas e qualitativas demonstram que o modelo proposto é superior a estruturas anteriores avançadas e é capaz de construir detalhes de alta frequência visualmente indistinguíveis. A análise quantitativa mostra que nosso modelo contribui com o maior valor de similaridade estrutural, enriquecendo as informações de textura mais detalhadas. A partir da análise qualitativa, nos detalhes ampliados das imagens reconstruídas, as bordas das imagens geradas pelo RDCA-SRGAN podem ser mostradas como mais claras e nítidas. Nosso modelo não só se sai bem em fissuras sutis de carvão, mas também enriquece mais carbonatos e minerais de carbono dissolvidos. O RDCA-SRGAN melhorou substancialmente a resolução da imagem reconstruída e nosso modelo tem grande potencial para ser utilizado em estudos geomorfológicos e exploração.