تُعدّ عدم الاستمرارية عند الحدود وعدم التوافق مع مقياس الكشف النهائي من العوائق الأساسية في تصميم خسارة الانحدار للكشف الدوار. في هذه الورقة، نقترح خسارة انحدار جديدة تعتمد على مسافة واسيرستاين الغاوسية (Gaussian Wasserstein Distance) كنهج أساسي لحل هذه المشكلة. وبشكل محدد، يتم تحويل المربع المحاط المُدور إلى توزيع ثنائي الأبعاد غاوسي، مما يسمح بمحاكاة خسارة غير قابلة للاشتقاق الناتجة عن مقياس IoU الدوار من خلال مسافة واسيرستاين الغاوسية (GWD)، التي يمكن تعلمها بكفاءة باستخدام التغذية العكسية للGradient. وبفضل قدرتها على توفير معلومات مفيدة حتى عند عدم وجود تداخل بين مربعين محاطين مُدورين – وهي الحالة الشائعة في الكشف عن الكائنات الصغيرة – تُظهر GWD كفاءة عالية في التعلم. وبفضل ثلاث خصائص فريدة لها، تُحل GWD بسلاسة مشكلتي عدم الاستمرارية عند الحدود ومشكلة الشكل المربع، بغض النظر عن الطريقة التي يتم بها تعريف المربع المحاط. وقد أظهرت التجارب على خمسة مجموعات بيانات باستخدام مُكتشفات مختلفة فعالية النهج المقترح. يمكن الاطلاع على الشيفرة المصدرية من خلال الرابطين التاليين: https://github.com/yangxue0827/RotationDetection و https://github.com/open-mmlab/mmrotate.