V2Net: A Nested Framework for Crack Segmentation Based on Multiscale Feature Learning

V2Net 面向工业裂缝分割中目标尺度变化剧烈、细粒度结构易在多次下采样中丢失的问题，从特征组织结构层面分析 UNet / UNet++ 在多尺度建模上的冗余融合与语义错位问题。

网络结构图

主要贡献包括：

• 提出嵌套式多尺度特征学习框架，将网络拆解为多个 VNet 子结构，并通过匹配式跳跃连接实现跨尺度单元的语义对齐与特征复用。
• 设计面向裂缝方向性与细粒度几何特征的渐进式特征增强机制，缓解多尺度融合过程中的关键信息衰减。
• 在多个裂缝数据集上优于 UNet、UNet++ 等主流方法；在 KHANHHAS 数据集上，相较 UNet 基线提升 41.69% IoU，相较 CrackSAM 在 CSBSR 指标上分别提升 1.56% 与 1.21% IoU。

引用信息：Wenhao Liu. "V2Net: A Nested Framework for Crack Segmentation Based on Multiscale Feature Learning." IEEE Transactions on Instrumentation and Measurement.