边际化广义 IoU (MGIoU)：面向优化任意凸参数化形状的统一目标函数
计算机视觉与模式识别
2025-04-25 v2
摘要
参数化形状相似性的优化是众多计算机视觉任务中的关键问题，Intersection over Union (IoU) 作为标准度量。然而，现有优化方法存在显著局限：回归-based 损失（如 L1/L2）与 IoU 相关性差，IoU-based 损失不稳定且仅限于简单形状，任务特定方法计算昂贵且难以跨域泛化。因此，当前参数化形状目标函数呈碎片化格局，各领域提出不同的 IoU 近似方法。为此，我们提出边际化广义 IoU (MGIoU)，一种新型损失函数，通过将结构化凸形状投影到其唯一法线上计算一维归一化 GIoU，克服上述挑战。MGIoU 简单高效、可微且与 IoU 强相关。我们进一步扩展 MGIoU 为 MGIoU+，支持优化非结构化凸形状。MGIoU 与 MGIoU+ 统一了跨多样化应用的 参数化形状优化。标准基准实验表明，MGIoU 与 MGIoU+ 持续优于现有损失函数，同时将损失计算延迟降低 10-40 倍。此外，MGIoU 与 MGIoU+ 满足度量属性和尺度不变性，确保其作为目标函数的鲁棒性。我们进一步提出 MGIoU- 用于最小化重叠（如碰撞自由轨迹预测任务）。代码已公开于 https://ldtho.github.io/MGIoU。
引用
@article{arxiv.2504.16443,
title = {Marginalized Generalized IoU (MGIoU): A Unified Objective Function for Optimizing Any Convex Parametric Shapes},
author = {Duy-Tho Le and Trung Pham and Jianfei Cai and Hamid Rezatofighi},
journal= {arXiv preprint arXiv:2504.16443},
year = {2025}
}
备注
8 pages