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

提出了一种关注边界框自身的形状和大小的边界框回归方法，通过 Shape IoU 方法计算损失，有效改进了检测性能，并在不同的检测任务中表现出色。

Dec, 2023

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

通过分析难易样本分布对回归结果的影响，提出了 Focaler-IoU 方法，可以通过关注不同的回归样本，在不同的检测任务中提高检测器的性能。

Jan, 2024

该研究探究了 IoU 计算在旋转边框中的应用，并实现了 IoU loss 层，使得在 2D 和 3D 目标检测任务中均获得了 KITTI 基准测试上的一致性改进。

Aug, 2019

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

在少样本目标检测领域中，使用 SIoU 作为评估标准可以构建更加用户导向的模型，在小物体检测方面表现优秀，并在 DOTA 和 DIOR 数据集上实现了新的少样本目标检测的最优结果。

Jul, 2023

提出了一种基于最小点距离的新型边框相似性比较度量方法 MPDIoU，将所有现有损失函数中考虑的相关因素包含在内，同时简化了计算过程，并基于此提出了一种基于 MPDIoU 的边框回归损失函数 LMPDIoU，实验结果表明，在 PASCAL VOC、MS COCO 和 IIIT5k 上训练的基于 MPDIoU 损失函数的实例分割（如 YOLACT）和对象检测（如 YOLOv7）模型优于现有损失函数。

Jul, 2023