Edge-Boundary-Texture Loss：面向增强边缘检测的三类加权二元交叉熵泛化
计算机视觉与模式识别
2025-07-10 v1
摘要
边缘检测（ED）是计算机视觉中的基本任务，但其性能常常因非边缘像素在对象边界处的模糊性而受到影响。广泛采用的所有加权二元交叉熵（WBCE）损失对所有非边缘像素一致对待，忽视了边缘附近的结构细微差别，常导致预测模糊。本文提出一种新的目标函数Edge-Boundary-Texture（EBT）损失，显式地将像素分为三类：边缘、边界和纹理，为每类分配不同的监督权重。这种三类 formulation 使模型能够通过引导模型关注边缘精度和上下文边界定位，实现更结构化的学习。我们理论上证明，EBT 损失是 WBCE 损失的泛化，其中后者成为极限情况。广泛的实验在多个基准数据集上表明，EBT 损失在定量和感知上均优于现有方法。此外，统一超参数在所有模型和数据集中的一致使用，以及对中度变化的鲁棒性，表明 EBT 损失无需大量微调即可在实际中部署。
引用
@article{arxiv.2507.06569,
title = {Edge-Boundary-Texture Loss: A Tri-Class Generalization of Weighted Binary Cross-Entropy for Enhanced Edge Detection},
author = {Hao Shu},
journal= {arXiv preprint arXiv:2507.06569},
year = {2025}
}
备注
10 pages