MEMO: 基于掩码边缘预测的人类化清晰边缘检测

使用交叉熵损失训练的基于学习的边缘检测模型常常 suffer于厚边缘预测，这与人类通常提供的清晰、单像素标注不符。虽然之前的方法试图通过设计专门的损失函数或修改网络架构来实现清晰边缘，但我们表明仅通过精心设计的训练和推理策略即可实现类人水平的边缘质量。本文引入掩码边缘预测模型 (MEMO)，其仅使用交叉熵损失即可产生准确且清晰的边缘。我们首先构建大规模合成边缘数据集进行预训练，以增强其泛化能力。随后在下游数据集上进行微调，只需引入由 1.2% 额外参数组成的轻量级模块。在训练期间，MEMO 在输入掩码比例不同的条件下学习预测边缘。我们的推理关键洞察是：厚边缘预测通常表现出置信度梯度——中心区域置信度高、向边界方向置信度较低。基于此，我们提出一种新颖的渐进预测策略，依据预测置信度依次最终化边缘预测，从而实现更细致、更精确的轮廓。该方法生成视觉上令人满意、无需后处理的人类化边缘图，并在清晰度相关评估中超越了先前的方法。