AAAI2024最佳解读|DiffusionEdge Diffusion Probabilistic Model for Crisp Edge Detection-water-merged

论文标题

DiffusionEdge: Diffusion Probabilistic Model for Crisp Edge Detection
DiffusionEdge：用于清晰边缘检测的扩散概率模型

论文链接

DiffusionEdge: Diffusion Probabilistic Model for Crisp Edge Detection论文下载

论文作者

Yunfan Ye, Kai Xu, Yuhang Huang, Renjiao Yi, Zhiping Cai

内容简介

本文提出了一种名为DiffusionEdge的扩散概率模型，旨在解决传统边缘检测方法在准确性和清晰度上的不足。现有的基于学习的边缘检测器通常受限于编码器-解码器架构，难以同时生成正确且清晰的边缘图。DiffusionEdge通过在潜在空间中应用扩散概率模型，结合不确定性感知的交叉熵损失，优化边缘检测过程。该模型采用解耦架构加速去噪过程，并引入自适应傅里叶滤波器以调整特定频率的潜在特征。实验结果表明，DiffusionEdge在多个边缘检测基准上表现优越，尤其在NYUDv2数据集上，ODS、OIS和AC分别提高了30.2%、28.1%和65.1%。该研究为边缘检测领域提供了一种新的思路，能够在不依赖后处理的情况下直接生成准确且清晰的边缘图。

分点关键点

1. DiffusionEdge模型

   • DiffusionEdge是第一个专为边缘检测任务设计的扩散模型，能够直接生成准确且清晰的边缘图，而无需后处理。该模型通过在潜在空间中应用扩散概率模型，优化了边缘检测的效率和效果。

2. 技术设计与架构

   • 采用解耦架构以加速去噪过程，并引入自适应傅里叶滤波器来调整潜在特征的频率成分。这种设计使得DiffusionEdge在有限的计算资源下仍能稳定训练，并生成高质量的边缘图。

3. 实验结果与性能

   • 在四个边缘检测基准数据集上进行的广泛实验表明，DiffusionEdge在正确性和清晰度方面均优于现有方法。在NYUDv2数据集上，DiffusionEdge的性能显著提升，显示出其在边缘检测任务中的潜力。

4. 不确定性蒸馏策略

   • 为了保持来自多个标注者的像素级不确定性，DiffusionEdge采用不确定性蒸馏策略，直接将优化后的梯度从像素级传递到潜在空间。这一策略有效提高了模型的训练稳定性和性能。

论文代码

代码链接：https://github.com/GuHuangAI/DiffusionEdge

中文关键词

1. 扩散概率模型
2. 边缘检测
3. 清晰度
4. 不确定性蒸馏
5. 自适应傅里叶滤波器
6. 深度学习

AAAI论文合集：

AAAI论文合集

希望这些论文能帮到你！如果觉得有用，记得点赞关注哦~ 后续还会更新更多论文合集！！