InverseForm：構造的境界意識型セグメンテーションのための損失関数

本稿では、逆変換ネットワークを用いたセマンティックセグメンテーションにおける新たな境界意識型損失項を提案する。このプラグイン型損失項は、推定境界と目標境界間のパラメトリック変換の度合いを効率的に学習可能であり、交差エントロピー損失と併用することで境界変換をより正確に捉えることができる。本損失項は、バックボーンモデルのサイズや計算複雑性を増加させることなく、一貫して顕著な性能向上を実現する。本手法の定量化および定性的な効果を、Cityscapes、NYU-Depth-v2、PASCALの3つの屋内・屋外セグメンテーションベンチマークにおいて検証し、単タスクおよびマルチタスク設定の複数のバックボーンネットワークの学習フェーズに統合して評価した。広範な実験の結果、提案手法はベースラインを一貫して上回り、特に2つのデータセットにおいて新たな最先端（SOTA）性能を達成した。