深入清晰度：用于清晰边缘检测的引导标签精炼

基于学习的边缘检测通常存在预测边缘粗厚的问题。通过对一种新的边缘清晰度度量进行广泛定量研究，我们发现带噪的人标边缘是粗厚预测的主因。基于此观察，我们认为相较模型设计，应更关注标签质量以实现清晰边缘检测。为此，我们提出一种有效的人标边缘Canny引导精炼方法，其结果可用于训练清晰边缘检测器。本质上，它寻找与人工标签最佳对齐的过检测Canny边缘子集。我们展示若干现有边缘检测器可通过在我们的精炼边缘图上训练转变为清晰边缘检测器。实验表明，用精炼边缘训练的深度模型清晰度性能从17.4%大幅提升至30.6%。以PiDiNet为骨干，我们的方法在Multicue数据集上分别将ODS与OIS提升12.2%与12.6%，且无需依赖非极大值抑制。我们进一步实验并展示了清晰边缘检测在光流估计与图像分割中的优越性。