《Engineering Applications of Artificial Intelligence》：A framework for super-resolution of side-scan sonar images: Combination of variational Bayes and regional feature selection
編輯推薦：
針對側掃聲吶圖像因數據少致模型過擬合、有效特征少致效率低的問題，研究人員提出融合貝葉斯結構與區域特征選擇的深度學習框架，用滾動區域選擇提取關鍵特征，以 VB-CNN 執行 SR 任務，實驗證明該方法有效。
在海洋探索的廣闊領域中，側掃聲吶（Side-scan Sonar）憑借其廣闊的搜索范圍和強大的識別能力，成為海底地貌分割、目標檢測等研究的重要工具。然而，聲學圖像的固有特性導致其分辨率較低、背景復雜且目標特征模糊，嚴重影響后續任務的準確性。傳統基于插值或圖像先驗的超分辨率（Super-Resolution, SR）技術在處理這類圖像時效率低下，而深度學習雖在光學圖像 SR 中表現優異，但應用于側掃聲吶圖像時面臨兩大難題：一是數據稀缺導致模型過擬合，二是有效特征不足致使重建效率降低。如何在小樣本、高噪聲的聲學圖像中實現精準的超分辨率重建，成為制約海洋探測技術發展的關鍵瓶頸。
為突破這一困境，國內研究團隊開展了針對側掃聲吶圖像超分辨率的專項研究。研究成果發表在《Engineering Applications of Artificial Intelligence》，為海洋聲學圖像處理提供了新的解決思路。
研究人員提出了一種融合變分貝葉斯（Variational Bayes, VB）框架與區域特征選擇的深度學習模型。該研究的核心技術方法包括兩部分：首先，采用滾動區域選擇方法（Rolling Region Selection Method）從側掃聲吶圖像中提取關鍵感興趣區域（Region of Interest, ROI），通過聚焦目標特征密集區域，在減少計算量的同時保留核心信息；其次，以變分貝葉斯卷積神經網絡（VB-CNN）替代傳統卷積神經網絡（CNN），利用變分推理和參數化技術估計模型不確定性，增強小數據集下的泛化能力，緩解過擬合問題。實驗采用真實海洋環境采集的 SSS-VOC 數據集及其他公開數據集，在縮放因子 r=2 和 r=4 條件下進行定性與定量分析。
關鍵技術方法
研究主要采用兩項關鍵技術：一是區域特征選擇，通過檢測算法定位圖像中特征豐富的目標區域，僅對該區域進行高分辨率重建，非關鍵區域采用輕量級模型處理，提升整體效率；二是變分貝葉斯卷積神經網絡（VB-CNN），通過引入貝葉斯結構，將網絡參數視為隨機變量，利用變分推斷近似后驗分布，實現對模型不確定性的量化，增強小樣本場景下的魯棒性。
研究結果
區域選擇方法的有效性
通過滾動區域選擇，模型能夠有效區分側掃聲吶圖像中的復雜背景與目標區域。實驗表明，該方法在保持重建圖像質量的前提下，減少了約 30% 的計算量，顯著提升了超分辨率任務的效率。相較于傳統全局處理方法，聚焦 ROI 的策略更適用于側掃聲吶圖像中 “背景冗余、目標稀疏” 的特性。
VB-CNN 的泛化能力提升
在小數據集場景下，VB-CNN 的峰值信噪比（Peak Signal Noise Ratio, PSNR）和結構相似性指數（Structural Similarity Index, SSIM）均優于傳統 CNN 模型。例如，在 r=4 的縮放因子下，VB-CNN 在 SSS-VOC 數據集上的 PSNR 值提高了 2.3dB，SSIM 值提升 0.05，證明其通過貝葉斯結構有效緩解了過擬合問題，增強了對低分辨率聲學圖像的特征提取能力。
融合框架的綜合性能
將區域選擇與 VB-CNN 結合后，模型在定性視覺效果和定量指標上均表現出色。重建后的圖像不僅能夠清晰還原目標的紋理細節（如海底巖石結構、人工目標輪廓），而且在跨數據集測試中展現出較強的泛化能力，尤其在復雜海況下的圖像重建效果顯著優于現有方法（如 SRCNN、EDSR）。
研究結論與意義
本研究針對側掃聲吶圖像的獨特挑戰，提出了 “區域選擇 + 貝葉斯深度學習” 的超分辨率框架，為小樣本、高噪聲場景下的圖像重建提供了新范式。通過區域選擇策略，解決了傳統方法對冗余背景的無效計算問題，提升了處理效率；借助 VB-CNN 的貝葉斯結構，增強了模型在小數據集下的泛化能力，為海洋探測中數據稀缺問題提供了有效解決方案。該研究成果不僅可直接應用于海底目標檢測、地貌分析等領域，還為醫學超聲圖像、遙感影像等類似小樣本圖像的超分辨率處理提供了理論參考和技術借鑒，推動了跨學科圖像處理技術的發展。
