本文提出基于区域划分的吸引场双重表示法来解决线段检测问题，并使用深度卷积神经网络进行学习，以提高准确性、鲁棒性和效率。该方法有效地解决线段检测中的各种挑战，并在 WireFrame 和 YorkUrban 数据集上取得了最先进的表现。

Dec, 2018

DeepLSD 是一种结合了深度网络和传统手工设计的边缘检测器，能够在不需要真实边线作为训练数据的情况下进行自适应训练，并且通过优化吸引力场和消失点提高了检测的精度。

Dec, 2022

该论文提出了一种快速和简约的解析方法，用于在输入图像中通过单个前向传递准确和稳健地检测矢量化线框。提出的方法是端到端可训练的，包括三个组件：线段和节点提议生成，线段和节点匹配以及线段和节点验证，成为 Holistically-Attracted Wireframe Parser

Mar, 2020

本文提出了一种用于资源受限环境下的轻量级、实时的线段检测器 Mobile LSD (简称 M-LSD)，通过设计高效的 LSD 模型结构和新颖的训练策略，使得该模型在手机设备上可以实现有竞争力的性能，其模型大小为现有方法的 2.5％，推理速度提高了 130.5％。此外，该模型可以在最新的 Android 和 iPhone 手机设备上以超过 48fps 的速度运行。

Jun, 2021

本研究提出了一种新型的深度卷积模型 TP-LSD，采用三点表示法用于图像线段检测，并通过定义新的评估指标以 Wireframe 和 YorkUrban 数据集为基础，验证其运行速度高达每秒 78 帧，具有竞争性的准确性和结构先验。

Sep, 2020

本研究提出了一种利用二元分割掩模和像素亲和力场预测车道检测的方法，并利用亲和力场和二元掩模水平和垂直地将车道像素聚类到相应的车道实例中，此方法可以检测可变数量车道并且整体上比以前的聚类方法更可解释。在多个数据集上的合格和定量结果展示了我们的模型能够有效地检测和聚类车道，已经成为最具挑战性的 CULane 数据集和最近引入的非监督 LLAMAS 数据集的最新技术。

Mar, 2021

本文介绍了一种快速、高精度的基于 CNN 的线段检测器 LSDNet，通过将一个轻量级 CNN 与传统的 LSD 检测器相结合，实现了对线段热点图和切线场构造的第一步的替代；在标准的线框图数据集上，与几种现代线段检测器相比，LSDNet 的处理速度最高为 214FPS，精度为 78Fh，优于其他基于 CNN 的检测器；作者指出了现有标准线段检测基准中标注的系统不一致性，并重新注释了其中的一些图像，证明新的注释可以更好地解释正确线段检测的概念，并且我们提出的检测器在这些更新的标注下的准确性优于其他检测器，而且速度最快。

Sep, 2022

本文章提出了一种名为 “高效线段检测和描述器（ELSD）” 的模型，它可以同时在图像中检测出线段并提取其描述符，利用共享特征提取器在实时中提供线特征以进行 SLAM 和图像匹配等高级任务。ELSD 在准确性和效率方面均优于以前的作品，并在线匹配任务中表现出更好的线描述能力。

Apr, 2021

本文提出了一种名为 ELSED 的局部线段检测算法，通过局部线段生长算法对梯度对齐像素进行连接以提高检测效率，同时引入了新的指标衡量线段检测器的准确性和可重复性，在多项实验中证明了该方法的高效性和准确性。

Aug, 2021

通过引入 LaneSegNet 方法，通过生成车道段来获得道路结构的完整表示，该方法能够在三项任务中显著提高性能，包括地图元素检测（+4.8 mAP），中心线感知（+6.9 DET_l）以及车道段感知（+5.6 mAP）。

Dec, 2023