基于任务自适应纹理处理与理想先验指导的高精度边缘检测
计算机视觉与模式识别
2026-02-09 v5
摘要
图像边缘检测（ED）需要专业的架构、可靠的监督和严格的评估标准才能确保精确的局部化。在本工作中，我们提出了一个用于高精度ED的框架，同时解决架构设计、数据监督和评估一致性问题。我们提出了SDPED，一个建立在级联跳过密度块（CSDB）上的紧凑型ED模型，灵感来自于图像超分辨率中的任务自适应架构迁移。通过对纹理导向结构进行重新设计，SDPED有效地区分纹理与边缘，同时保持细粒度的空间精度。在四个基准数据集（BRIND、UDED、MDBD和BIPED2）上的大量实验表明，SDPED在平均精度（AP）方面表现出一致的性能提升，尤其在MDBD上提升了最高可达22.5%，在BIPED2上提升了11.8%。此外，我们引入了理想先验指导策略，通过将标签视为无噪声样本来整合无噪声数据以训练，为缓解人工标注的主观性和噪声提供了实用方法。为实现公平且独立于分辨率的评估，我们进一步采用固定像素准则来评估局部化精度。总体而言，本工作为高精度ED提供了一致的解决方案，并为面向精度导向建模的低层和软计算驱动的视觉任务提供了见解。代码可在 https://github.com/Hao-B-Shu/SDPED 查找。
引用
@article{arxiv.2407.19992,
title = {High-Precision Edge Detection via Task-Adaptive Texture Handling and Ideal-Prior Guidance},
author = {Hao Shu},
journal= {arXiv preprint arXiv:2407.19992},
year = {2026}
}
备注
30 pages