CrackForward: 文脈感知な深刻性段階クラック合成によるデータ拡張

arXiv:2604.19941v2 Announce Type: replace Abstract: 構造物の健全性監視において、信頼性の高いクラック検出・分割は不可欠ですが、良好なアノテーション付けられたデータの不足は主要な課題です。この課題に対処するために、我々は、データ拡張のために現実的なクラック成長パターンを合成するための、新しい文脈感知な生成フレームワークを提案します。既存の方法が主にテクスチャや背景コンテンツを操作するのと異なり、CrackForward は、方向性クラックの伸長と学習された太さと分岐を組み合わせることで、クラックの形態を明示的にモデル化します。我々のフレームワークは、以下の 2 つの重要な革新を統合しています：(i) 文脈に導かれるクラック展開モジュール，これは局所的な方向性ヒントと適応的なランダムウォークを使用して、現実的な伝播経路をシミュレートします；および (ii) スペースに依存するクラック特性（厚さ、分岐、成長）を学習し再現する 2 ステップの U-Net スタイルの生成器です。実験結果は、生成されたサンプルが標的段階の飽和度と厚さ特性を保持し、複数のクラック分割アーキテクチャの性能を向上させることを示しています。これらの結果は、構造に感知した合成クラック生成が、従来の拡張手法のみよりも、より情報豊かなトレーニングデータを提供できることを示唆しています。

arXiv:2604.19941v2 Announce Type: replace Abstract: Reliable crack detection and segmentation are vital for structural health monitoring, yet the scarcity of well-annotated data constitutes a major challenge. To address this limitation, we propose a novel context-aware generative framework designed to synthesize realistic crack growth patterns for data augmentation. Unlike existing methods that primarily manipulate textures or background content, CrackForward explicitly models crack morphology by combining directional crack elongation with learned thickening and branching. Our framework integrates two key innovations: (i) a contextually guided crack expansion module, which uses local directional cues and adaptive random walk to simulate realistic propagation paths; and (ii) a two-stage U-Net-style generator that learns to reproduce spatially varying crack characteristics such as thickness, branching, and growth. Experimental results show that the generated samples preserve target-stage saturation and thickness characteristics and improve the performance of several crack segmentation architectures. These results indicate that structure-aware synthetic crack generation can provide more informative training data than conventional augmentation alone.