本研究提出了一种结合卷积神经网络（CNN）和高效子像素卷积神经网络（ESPCNN）的框架，以提高基础设施图像的分辨率，从而提升裂缝检测的准确性和资产管理的效率。

本研究提出了多样化道路损伤数据集（DRDD）和新模型RDD4D，通过优化特征的Attention4D模块，显著提升了大规模道路裂缝检测的平均精度至0.458，对基础设施维护具有重要影响。

本研究提出了一种新方法MSCrackMamba，通过融合红外与RGB通道，显著提高了结构健康监测中的裂缝检测性能。在Crack900数据集上，该方法的mIoU比最佳基线提高了3.55%，具有重要的实用价值。

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。

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。