本文提出一种新的旋转解耦 IoU (RDIoU) 方法，通过将旋转变量作为独立项来简化回归参数的复杂交互，并在回归和分类分支中应用 RDIoU，从而可以提高单级 3D 目标检测的准确性和稳定性，并在 KITTI 和 Waymo 开放数据集的广泛实验中验证，此方法可以带来相当大的改进。

Jul, 2022

本研究主要关注物体检测领域中最受欢迎的衡量标准之一的交并比（IoU），提出了一种广义的 IoU（GIoU）作为新的回归损失和度量方式，并将其应用于现有的物体检测框架中，在 PASCAL VOC 和 MS COCO 等常见的物体检测基准测试中取得了一致的性能提升。

Feb, 2019

提出了一种针对目标检测中的边界框回归问题的新算法 DIoU Loss，通过加入距离项和三个几何因素（覆盖区域、中心点距离和长宽比），构建了更好的评价指标 CIoU Loss，并将 DIoU Loss 和 CIoU Loss 应用到现有的目标检测算法中，显著提高了性能。

Nov, 2019

本文提出了一种新的损失函数 ——Smooth IoU，用于直接优化边界框的交并比，在多个数据集上显示出比标准的 Huber 损失更好的性能表现，该方法可应用于物体检测问题，使用卷积神经网络进行训练。

Apr, 2023

本文提出了一种新的损失函数 SIoU，通过重新定义惩罚指标以考虑所需回归之间的向量角度，从而改进了传统目标检测中遇到的匹配方向问题，提高了训练速度和推断精度。

May, 2022

提出了一种基于点距离的任意形状比较的新型指标，以提高旋转对象检测中边界框回归的效率和准确性，并提出了一种基于四点距离的准确边界框回归损失函数 FPDIoU，通过三个旋转对象检测基准测试和两个任意方向场景文本检测基准测试的实验证明了其优于现有损失函数的性能。

May, 2024

提出一种基于 extended IoU 并采用 convexification 和 steady optimization 技术的新型损失函数方法，用于提高物体检测中的定位精度，并在 Faster R-CNN with ResNet50+FPN 中实现了显著的 mAP 提高，同时计算和推断的成本几乎没有增加。

Dec, 2021

本研究提出了一种新的基于像素 IoU（PIoU）损失函数的方法，用于定位高长宽比旋转物体，实验结果表明该方法可以显著提高对象检测器的性能，尤其是在高长宽比和复杂背景下，并引入了一个名为 Retail50K 的新数据集以鼓励社区为更复杂的环境适应这种方法。

Jul, 2020

提出一种基于凸多边形的全可微分算法，用于计算任意角度下两个三维边界框的 IoU，并利用该算法在三种最先进的视角不可知的三维检测模型上进行实验，结果表明提出的多边形 IoU 损失（PIoU 损失）收敛速度比 L1 损失更快，并且在三维检测模型中，PIoU 损失与 L1 损失的组合比单独使用 L1 损失时获得更好的结果（对于汽车的 MonoCon，AP70 提高了 1.64%，对于汽车的 RTM3D，AP70 提高了 0.18%，对于骑自行车的 MonoRCNN，AP50/AP25 分别提高了 0.83%/2.46%）。

Sep, 2023

研究单阶段物体检测器的损失函数对定位准确性的影响，并提出有关 IoU 平衡的损失函数以解决该问题，在 COCO、VOC 和 Cityscapes 等公共数据集上进行了广泛实验，证明了 IoU 平衡损失可以显著提高单阶段检测器的检测准确性。

Aug, 2019