本文提出了一种新的多尺度方法来检测嘈杂图像中的曲线边缘，算法基于候选曲线，针对高噪声情况进行全局处理，实现了较快的运行时间，同时在各种具有挑战性的嘈杂图像上获得了可比较甚至更好的边缘检测质量。

May, 2015

本文提出基于量子人工神经元思想的混合量子边缘检测方法，可在现阶段的噪声中等规模的量子计算机上实现，并通过方法的可扩展性实现了比以往更大范围的图像边缘检测。

Mar, 2022

我们提出了一个可微分模型，用于明确地建模边界，包括轮廓、角点和交叉点，并使用我们称之为边界注意力的新机制。我们展示了即使边界信号非常弱或被噪声淹没，我们的模型也能提供准确的结果。与找到微弱边界的先前经典方法相比，我们的模型具有可微的优势，适用于更大的图像，并自动适应图像每个部分的适当几何细节水平。与通过端到端训练找到边界的先前深度方法相比，它具有提供亚像素精度、更具噪声鲁棒性以及能够以原生分辨率和长宽比处理任何图像的优势。

Jan, 2024

我们提出了一种使用基于大脑灵感的可训练 B-COSFIRE 滤波器的通用曲线结构检测器，可用于任何需要描绘曲线和细长结构的计算机视觉方法。通过在含有破裂路面的噪声图像数据集上达到最优效果，我们证明了这种方法的有效性（F-measure = 0.865）。

Jul, 2017

我们提出了一种光信号处理方案，在检测之前通过适当设计的线性变换器对光信号进行空间重新分布，以增强视觉感知任务的检测噪声鲁棒性，并通过 MNIST 分类的基准测试进行了验证。这种计算优先的检测方案可以推动广泛应用于工业和国防领域的红外机器视觉技术的发展。

Mar, 2024

通过对边缘检测算法进行分析，我们研究了从卫星图像中自动提取海岸线的有效性。通过视觉和度量的比较，我们发现 Canny 算法的平均结构相似性指数（SSIM）为 0.8，检测到的边缘与参考边缘最为接近。然而，该算法在区分嘈杂边缘（如建筑物等）和海岸线边缘方面存在困难。此外，直方图均衡化和高斯模糊可分别将边缘检测算法的有效性提高 1.5 倍和 1.6 倍。

May, 2024

提出了一个目标函数，其中结合了检测似然和先验条件，最小化中心线或表面的曲率，用于同时检测和描绘细结构，具有亚像素定位和实值方向估计。

Jun, 2015

使用深度学习模型，通过全卷积神经网络和深度监督网络技术实现图像到图像的预测，提出一种全局学习和多尺度特征学习的新型边缘检测算法 (HED)，在 BSD500 和 NYU Depth 数据集上较以前的基于卷积神经网络的边缘检测算法拥有更快的速度 (平均 0.4 秒每张图像).

Apr, 2015

本文提出了一种借助于本地图像块中的结构学习精确且高效的边缘检测器。基于随机决策森林的结构学习框架，本文的新方法将结构标签映射到离散空间上。利用该方法，在 BSDS500 分割数据集和 NYU 深度数据集上实现了最先进的边缘检测表现，同时达到了比许多竞争对手先进得多的实时性能，证明该方法具备通用性和实用性。

Jun, 2014

本文介绍了一种有效解决边缘检测中生成粗糙模糊边缘线的方法，该方法利用轻量级预训练主干网络、多尺度上下文信息聚合模块 (MCGI)、边界校正模块 (BCM) 和边界优化模块 (BRM) 来改善边缘图像的视觉效果，并通过基于 Tversky 指数的混合损失函数解决像素分布不平衡的问题。在三个标准基准数据集上进行实验，结果表明该方法在 BSDS500、NYUD-V2 和 BIPED 数据集上均取得了最佳性能。

Jun, 2024