伪装物体检测（COD）旨在检测与周围环境具有相似模式（例如纹理、强度、颜色等）的物体，近年来引起了越来越多的研究兴趣。由于伪装物体通常呈现出非常模糊的边界，如何确定物体位置及其弱边界成为了一项挑战，也是该任务的关键所在。受人类观察者发现伪装物体时生物视觉感知过程的启发，本文提出了一种新颖的基于边缘的可逆重校准网络，称为ERRNet。我们的模型具有两个创新设计，即选择性边缘聚合（Selective Edge Aggregation, SEA）和可逆重校准单元（Reversible Re-calibration Unit, RRU），这些设计旨在模拟视觉感知行为，并实现潜在伪装区域与背景之间的有效边缘先验和交叉比较。尤为重要的是，RRU融合了多种先验信息，相比现有的COD模型提供了更为全面的信息。实验结果表明，ERRNet在三个COD数据集和五个医学图像分割数据集上均优于现有的最先进基线模型。特别是与目前排名第一的SINet模型相比，ERRNet在平均E测度上显著提升了约6%的性能，并且具有明显更高的速度（79.3帧/秒），这表明ERRNet可以为COD任务提供一种通用且稳健的解决方案。