カモフラージュされた物体検出（COD）は、周囲の環境と同様のパターン（例えば、テクスチャ、強度、色など）を持つ物体を検出することを目指しており、最近では研究者の関心が高まっています。カモフラージュされた物体はしばしば非常に曖昧な境界を持ち、物体の位置とその弱い境界を決定することは困難であり、このタスクの鍵となる課題です。人間の観察者がカモフラージュされた物体を見つける際の生物学的な視覚認識プロセスに着想を得て、本論文では新しいエッジベースの可逆再キャリブレーションネットワークであるERRNetを提案します。当モデルは、選択的エッジ集約（SEA）と可逆再キャリブレーションユニット（RRU）という2つの革新的な設計特徴を持っています。これらの設計は視覚認識行動をモデル化し、潜在的なカモフラージュ領域と背景との間で効果的なエッジ事前情報と相互比較を実現することを目指しています。特に重要なのは、RRUが既存のCODモデルよりも多様な事前情報をより包括的に組み込む点です。実験結果は、ERRNetが3つのCODデータセットおよび5つの医療画像セグメンテーションデータセットにおいて既存の最先端基準モデルを上回ることを示しています。特に、既存のトップ1モデルであるSINetと比較して、ERRNetは平均E値で約6%向上し、非常に高速（79.3 FPS）であることが示されています。これは、ERRNetがCODタスクに対する一般的かつ堅牢な解決策であることを示唆しています。