线段检测是计算机视觉中的一个基本低级任务，该任务的改进可以影响依赖于它的更高级方法。目前，大多数新开发的线段检测方法都是基于卷积神经网络（CNNs）的。我们的论文旨在解决阻碍基于 Transformer （Transformer）方法在更大范围内应用的挑战。具体而言，我们引入了一种新的模型——可变形 Transformer 基线段检测器（Deformable Transformer-based Line Segment Detection, DT-LSD），该模型支持跨尺度交互并且能够快速训练。本研究提出了一种新颖的可变形 Transformer 基线段检测器（DT-LSD），解决了LETR模型的不足之处。为了加快训练速度，我们引入了线对比去噪（Line Contrastive DeNoising, LCDN）技术，该技术稳定了一对一匹配过程，并将训练速度提高了34倍。实验结果表明，DT-LSD比其前代 Transformer 基模型（LETR）更快且更准确，并且在精度方面超过了所有基于CNN的模型。在Wireframe数据集中，DT-LSD分别达到了$sAP^{10}$sAP10 71.7和$sAP^{15}$sAP15 73.9；而在YorkUrban数据集中，则分别达到了$sAP^{10}$sAP10 33.2和$sAP^{15}$sAP15 35.1。