MS2Edge：利用脉冲神经网络中的多尺度残差学习实现高能效且清晰的边缘检测
神经与进化计算
2025-11-19 v1 图像与视频处理
摘要
基于人工神经网络（ANN）的边缘检测已取得显著进展，但面临两大挑战。首先，它需要在大规模额外数据上进行预训练，并需要复杂的设计来获取先验知识，导致高能耗。其次，预测的边缘在清晰度上表现不佳，并且严重依赖后处理。脉冲神经网络（SNN）作为第三代神经网络，具有量化和脉冲驱动的计算机制。它们以高能效的方式为边缘检测提供了强大的先验，同时其量化机制有助于抑制真实边缘周围的纹理伪影干扰，从而提高预测清晰度。然而，由此产生的量化误差不可避免地引入了稀疏的边缘不连续性，阻碍了清晰度的进一步提升。为了解决这些挑战，我们提出了 MS2Edge，这是第一个基于 SNN 的边缘检测模型。其核心是构建了一个名为 MS2ResNet 的新型脉冲骨干网络，该网络集成了多尺度残差学习，以恢复缺失的边界线并生成清晰的边缘，同时将 I-LIF 神经元与基于膜电位的变形捷径（MDS）相结合，以减轻量化误差。该模型辅以一个用于上采样过程中细节重建的脉冲多尺度上采样块（SMSUB）和一个用于有效整合多个时间步边缘图的膜电位平均解码（MAD）方法。实验结果表明，MS2Edge 在 BSDS500、NYUDv2、BIPED、PLDU 和 PLDM 数据集上优于基于 ANN 的方法，并在没有预训练骨干网络的情况下达到了最先进的性能，同时保持超低能耗，并生成无需后处理的清晰边缘图。
引用
@article{arxiv.2511.13735,
title = {MS2Edge: Towards Energy-Efficient and Crisp Edge Detection with Multi-Scale Residual Learning in SNNs},
author = {Yimeng Fan and Changsong Liu and Mingyang Li and Yuzhou Dai and Yanyan Liu and Wei Zhang},
journal= {arXiv preprint arXiv:2511.13735},
year = {2025}
}