【2025WACV-目标检测方向】

1. ​研究背景与动机​

边缘检测是计算机视觉的基础任务，用于保留关键语义信息并抑制纹理噪声，广泛应用于图像检索、显著目标检测和语义分割等下游任务。传统方法（如Canny）依赖局部线索，难以捕获高级语义信息。深度学习模型（如CNN）通过卷积和池化块扩展感受野，但有效感受野小于理论值，限制了上下文建模能力。Transformer模型通过自注意力机制改善了全局依赖性建模，但计算成本高昂，尤其对实时应用和边缘设备不友好。此外，多粒度边缘生成（即不同粗细程度的边缘）现有方法（如UAED和MuGE）依赖多标签数据（多个标注者），限制了其在单标签数据集的应用。

EDMB的提出动机是：

• ​效率问题​：Transformer的计算开销大，而Vision Mamba能高效建模长距离依赖（通过状态空间模型），计算成本更低。
• ​多粒度需求​：不同任务需要不同粒度的边缘（如粗粒度用于分割，细粒度用于检索），但现有方法无法在单标签数据集生成多粒度边缘。
• ​细粒度线索缺失​：普通Mamba忽略局部细节，而边缘检测需兼顾全局语义和局部精度。

文档强调EDMB是首个基于Mamba的边缘检测器，解决了上述问题。

---

2. ​方法框架：EDMB的整体架构​

EDMB采用全局-局部编码器架构，结合可学习高斯分布解码器，高效生成多粒度边缘。整体框架如图1所示：