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

本文提出了一种基于 level-line guided edge drawing 技术的线段检测算法，利用统一垂直于梯度方向的级线信息辅助直线拟合，提高了检测效率和稳健性，在大量实验中展现了优越性能。

May, 2023

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

该研究提出了一种基于模型驱动的方法来检测图像线段，通过使用线性卡尔曼滤波器逐步在梯度图像上检测线段，并估计其支持线参数及其相关方差。该算法在处理图像噪声和光照变化方面表现出色，可以检测到比数据驱动方法更长的线段，并且无需繁琐的参数调整。此外，还提出了一种扩展算法，利用金字塔方法来提高结果的质量。通过与经典方法的对比以及在不同场景光照下的测试，证明了该方法的有效性。

Nov, 2023

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

基于线特征的 LiDAR 点云点云配准方法通过 EdgeConv 标记线特征，并使用共享编码器层来训练两个分割和描述头，该方法在无初始变换输入的情况下验证了自己的有效性，对于各种计算机视觉任务具有广泛的应用价值。

Aug, 2022

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

本文提出了第一种单一深度神经网络同时进行线段检测和描述。通过自我监控训练，我们的方法不需要任何注释的线标签，并且可以推广到任何数据集。在多视图数据集及实际应用中，本方法相较以往的线条检测与描述算法拥有更高的稳定性和匹配度，是向学习特征点方法迈出的第一步。

Apr, 2021