水力压裂是提高油气产量的关键技术，分布式声波传感（DAS）能够记录微地震波场。研究表明，利用DAS反射S波成像裂缝的结果与低频DAS观测高度一致，能够揭示远端裂缝。这一方法为微地震监测提供了高分辨率成像的新维度。

本研究探讨大型语言模型在代码生成中的漏洞与许可风险，强调高质量合规数据集的重要性。提出了一种自动化代码自审核技术，利用开源项目历史提升数据质量，发现17%的代码版本为更新，表明改进数据策划可增强AI工具输出的可靠性。

本研究解决了地震后对受影响区域快速评估安全性所需的标注数据集不足的问题。通过引入一种生成半合成图像的技术，用于在损伤检测系统的训练中进行数据增强，研究发现结合真实和半合成图像训练的裂缝检测系统，其性能显著优于仅用真实图像训练的系统。

本研究提出了一种新型混合模型DSCformer，用于混凝土结构的裂缝检测与分割。该模型结合动态蛇卷积和Transformer架构，显著提升了对复杂裂缝模式的捕捉能力，并在多个数据集上表现出色。

本研究比较了多时间数据与单时间数据在混凝土结构裂缝检测中的效果，结果显示多时间数据训练的Swin UNETR模型显著提升了分割质量，IoU达到82.72%，F1-score达到90.54%，为长期监测提供了有效方案。

过去十年，自动化方法被开发用于更高效地检测裂缝，替代传统手动检查。语义分割算法在逐像素检测中表现出色，但需要大量标记数据。为此，提出了无监督的UP-CrackNet，通过生成对抗网络恢复破坏区域，实现逐像素裂缝检测。实验显示其性能优于传统无监督算法，并与先进的监督算法相媲美。代码已公开。

过去十年，自动化方法被开发用于更高效地检测裂缝，替代传统手动检查。语义分割算法在逐像素检测中表现出色，但需大量标注数据。为此，提出了无监督的UP-CrackNet，通过生成对抗网络恢复破坏区域，实现逐像素裂缝检测。实验显示其性能优于传统无监督算法，并与先进的监督算法相媲美。代码已公开。

过去十年，自动化方法逐渐取代传统手动视觉检查技术，用于更高效地检测裂缝。语义分割算法在逐像素裂缝检测中表现出色，但需大量标注数据。为此，提出了无监督的UP-CrackNet，通过生成对抗网络恢复破坏区域，实现逐像素裂缝检测。实验表明，该方法性能优越，泛化能力强，优于许多无监督算法，并与先进的监督算法相媲美。代码已公开。

本文介绍了一种基于分形的裂纹图形模拟器和完全标注的裂纹数据集，通过点对点互信息估计和自适应实例规范化来补充归纳偏差。实证研究证明该系统能够有效处理现实世界的裂纹分割。

本研究解决了现有裂缝检测方法在整合局部纹理和像素依赖性方面的不足。我们提出了一种创新的阶梯级联融合裂缝分割网络（CrackSCF），该网络通过轻量级卷积模块有效捕捉裂缝的局部模式和长程依赖，显著减少了计算资源要求，并在多项指标上达到了最先进的性能，尤其是在处理背景噪声干扰和细节裂缝分割方面。

该文章介绍了基于状态空间模型的方法在医学图像分割中的优势，并提出了一种新的方法Vision Mamba-UNetV2，该方法在医学图像分割任务中表现出竞争力。

该研究提出了一种新的法线积分方法，用于准确重建深度图。通过处理隐藏跳跃和优化输入法线图中的不连续性和深度图，该方法能够准确重建微小的不连续性。

本文研究了利用无人机和图像处理技术自动化桥梁视觉检查的方法。通过深度学习和神经网络，可以检测高分辨率钢桥图像中的疲劳裂纹，并使用背景补丁来提高网络性能。引入一种新的损失函数可以降低误报率。

过去十年中，开发了自动化方法来更高效、准确和客观地检测裂缝。UP-CrackNet是一种无监督的逐像素道路裂缝检测网络，通过生成多尺度正方形掩膜并从中随机选择一些，来破坏未损坏的道路图像。通过计算输入图像和恢复图像之间的差异生成误差图，实现逐像素裂缝检测。UP-CrackNet表现出可比或更好的性能和卓越的泛化能力。

该研究提出了一种新方法来提高基础模型在遥感图像上的性能，通过集成预训练的卷积神经网络作为提示生成器，改善了Segment Anything Model的识别能力。该方法在三个遥感数据集上评估后发现，在不同分布的性能上有显著提高。研究团队计划发布代码库，以促进遥感领域的更多探索。

澳大利亚弗林德斯大学的研究人员发现，使用聚四氟乙烯涂层材料的炊具可能会释放高达230万个塑料碎片，甚至是材料涂层表面出现一个细小的裂纹也会释放超过9000个塑料小碎片，这类塑料碎片可能会污染食物。