Mudrockzoom : análise comparativa entre datasets reais e degradados para super-resolução petrográfica

Abstract

A super-resolução surgiu como uma ferramenta útil de aprendizagem profundo em diversas áreas e está sendo rapidamente introduzida nas rotinas geocientíficas, como a petrologia digital. Porém, a dificuldade de adquirir pares reais de imagens de baixa e alta resolução da mesma cena leva os pesquisadores a degradar artificialmente imagens de alta resolução para obter suas versões de baixa resolução, necessárias para modelos supervisionados. Como a redução da resolução retém informações de entrada na saída, discute-se que isso poderia levar a resultados enganosos. Para verificar os efeitos do uso de conjuntos de dados reais versus conjuntos de dados degradados em um domínio de imagem petrográfica, desenvolvemos o conjunto de dados MudrockZoom. Um pequeno conjunto de dados de imagens SEM de lamitos para tarefas petrográficas de super-resolução, que contém pares reais de imagens de baixa e alta resolução da região exata da amostra de rocha. Além de treinar e testar um modelo de super-resolução com o MudrockZoom original, também fizemos isso usando a versão do conjunto de dados degradado. Permitindo a comparação de desempenho entre rotinas de conjunto de dados brutos e com amostragem reduzida. Usamos métricas PSNR e SSIM para quantificar e análise visual para qualificar as previsões do modelo. No treinamento, as curvas de perda do modelo real mostraram uma clara dificuldade em aprender as características petrográficas brutas, ao passo que se ajustaram rapidamente na versão degradada, indicando que o conjunto de dados reais tem um domínio de imagem mais desafiador para aprender. Quando previsto em dados de teste reais, o modelo real mostrou PSNR e SSIM maiores do que o modelo com amostragem reduzida. No entanto, essas métricas de avaliação tradicionais não se correlacionam com a análise visual de imagens super-resolvidas do modelo degradado. As previsões do modelo degradado exibe melhor pequenos detalhes, como textura mineral e pequenos formatos e bordas de poros. Esta contradição de avaliação destaca a falta de métricas adequadas para quantificar a qualidade das previsões perceptualmente no domínio da imagem petrográfica. As métricas tradicionais indicam melhores resultados para a rotina do conjunto de dados reais, enquanto a análise visual e as métricas perceptivas favorecem a rotina do conjunto de dados degradados.

Super-resolution emerged as a useful deep-learning tool in numerous areas and is rapidly being introduced in geosciences routines, e.g. digital petrology. However, the difficulty of acquiring real low- and high-resolution image pairs of the same scene leads researchers to artificially degrade high-resolution images to obtain low-resolution versions, required for supervised models. Since downsampling retains input information in output, this could potentially lead to misleading results. To verify the effects of using raw versus downsampled datasets in a petrographic image domain, we developed the MudrockZoom dataset. A small mudrock SEM image dataset for petrographic super-resolution tasks, which contains raw pairs of low- and high-resolution images of the exact rock sample region. In addition to training and testing a super-resolution model with the original MudrockZoom, we also did it using its downsampled dataset version. This procedure allowed performance comparison between raw and downsampled dataset routines. We used PSNR and SSIM metrics to quantify and analyze visually to qualify model predictions. In training, the raw model loss curves showed difficulty in learning the raw petrographic features, whereas it rapidly overfitted on the downsampled version, indicating that a raw dataset has a more challenging image domain to learn. When predicted on raw test data, the raw model showed larger PSNR and SSIM than the downsampled model. However, these traditional evaluation metrics do not correlate with visual analysis of downsampled super-resolved images. Downsampled predictions exhibit greater small details, such as mineral texture and small pore shapes and borders. This evaluation contradiction highlights the lack of adequate metrics to quantify the quality of predictions in the petrographic image domain. Traditional metrics indicate better results for the raw dataset routine, while visual analysis and perceptual metrics favor the downsampled dataset routine.