Wir stellen eine neuartige randbewusste Verlustfunktion für die semantische Segmentierung vor, die auf einem inversen Transformationsnetzwerk basiert und effizient den Grad parametrischer Transformationen zwischen geschätzten und Zielrändern lernt. Dieser plug-in-Verlust ergänzt die Kreuzentropie-Verlustfunktion hinsichtlich der Erfassung von Randtransformationen und ermöglicht eine konsistente und signifikante Leistungssteigerung bei Segmentierungs-Backbone-Modellen, ohne deren Größe oder rechnerische Komplexität zu erhöhen. Wir analysieren die quantitative und qualitative Wirkung unserer Verlustfunktion an drei Innen- und Außenraum-Segmentierungsbenchmarks, darunter Cityscapes, NYU-Depth-v2 und PASCAL, und integrieren sie in das Trainingsverfahren mehrerer Backbone-Netzwerke sowohl in Einzelaufgaben- als auch in Mehraufgaben-Szenarien. Unsere umfangreichen Experimente zeigen, dass die vorgeschlagene Methode konsistent die Baseline-Methoden übertrifft und sogar auf zwei Datensätzen den neuen State-of-the-Art etabliert.