用于高效边缘检测的像素差分网络

近年来，深度卷积神经网络（CNN）凭借其丰富的抽象边缘表征能力，在边缘检测任务中已达到人类水平的性能。然而，基于CNN的边缘检测方法通常依赖于庞大的预训练CNN主干网络，导致模型在内存和能耗方面开销较大。此外，令人意外的是，在深度学习迅猛发展的背景下，传统边缘检测算子（如Canny、Sobel和LBP）所蕴含的先验知识却极少被深入研究和利用。为解决上述问题，本文提出了一种简洁、轻量但高效的边缘检测架构——像素差分网络（Pixel Difference Network, PiDiNet），旨在实现高效边缘检测。我们在BSDS500、NYUD和Multicue三个公开数据集上进行了大量实验，充分验证了该方法的有效性及其在训练与推理阶段的高效率。令人惊讶的是，仅在BSDS500和VOC数据集上从零开始训练，PiDiNet在BSDS500数据集上的ODS F-measure指标即达到0.807，超越了人类感知的基准结果（0.803），同时实现100 FPS的推理速度，且模型参数量不足100万。此外，一个参数量低于10万的加速版本PiDiNet仍能与当前最先进方法相媲美，推理速度高达200 FPS。在NYUD和Multicue数据集上的实验结果也呈现出相似的优越表现。相关代码已开源，地址为：https://github.com/zhuoinoulu/pidinet。