Roof-DeGAN: гибридная GAN с межмасштабным вниманием для восстановления областей крыш на аэрофотоснимках
Автор: Винокуров И.В., Лапаньков Г.М., Умаров Г.Д.
Журнал: Программные системы: теория и приложения @programmnye-sistemy
Рубрика: Искусственный интеллект и машинное обучение
Статья в выпуске: 2 (71) т.17, 2026 года.
Бесплатный доступ
В работе предложена гибридная генеративно-состязательная модель Roof-DeGAN для восстановления повреждённых и скрытых участков изображений крыш на аэрофотоснимках. Архитектура сочетает Vision Transformer с плотными связями в генераторе и многоуровневый дискриминатор с межмасштабным вниманием. Модель объединяет преимущества GAN, элементов диффузионного моделирования и трансформерных механизмов. Эксперименты на данных ППК «Роскадастр» показали превосходство над современными методами: PSNR = 33,7 дБ, SSIM = 0,971, LPIPS = 0,048, FID = 17,8 при времени инференса 0,15 с на изображение. Разработанный подход обладает высокой практической ценностью для задач кадастрового учёта и обновления картографических материалов.
Генеративно-состязательные сети, Roof-DeGAN, восстановление изображений, инпейнтинг, аэрофотоснимки, дистанционное зондирование, реконструкция крыш
Короткий адрес: https://sciup.org/143186015
IDR: 143186015 | УДК: 004.932.75'1, 004.89 | DOI: 10.25209/2079-3316-2026-17-2-191-262
Roof-DeGAN: a hybrid GAN with cross-scale attention for aerial roof inpainting
This paper proposes a hybrid generative adversarial network, Roof-DeGAN, for restoring damaged and missing roof areas in aerial images. The architecture combines a densely connected Vision Transformer in the generator with a multi-scale discriminator featuring cross-scale attention. The model integrates the advantages of GANs, diffusion modeling elements, and transformer mechanisms. Experiments on real data from the PLC «Roscadastr» demonstrate that Roof-DeGAN outperforms existing methods, achieving PSNR = 33.7 dB, SSIM = 0.971, LPIPS = 0.048, and FID = 17.8 with an inference time of 0.15 seconds per 256×256 image. The developed approach shows high practical value for cadastre maintenance and cartographic data updating tasks.
