Atenção de Fronteira: Aprendendo a Encontrar Fronteiras Tênues em Qualquer Resolução

Boundary Attention: Learning to Find Faint Boundaries at Any Resolution

January 1, 2024

Autores: Mia Gaia Polansky, Charles Herrmann, Junhwa Hur, Deqing Sun, Dor Verbin, Todd Zickler

cs.AI

Resumo

Apresentamos um modelo diferenciável que modela explicitamente limites -- incluindo contornos, cantos e junções -- utilizando um novo mecanismo que denominamos atenção a limites. Demonstramos que nosso modelo fornece resultados precisos mesmo quando o sinal de limite é muito fraco ou está submerso em ruído. Em comparação com métodos clássicos anteriores para detectar limites tênues, nosso modelo possui as vantagens de ser diferenciável; ser escalável para imagens maiores; e se adaptar automaticamente a um nível apropriado de detalhe geométrico em cada parte de uma imagem. Em comparação com métodos profundos anteriores para encontrar limites via treinamento de ponta a ponta, ele possui as vantagens de fornecer precisão subpixel, ser mais resiliente ao ruído e ser capaz de processar qualquer imagem em sua resolução e proporção nativas.

English

We present a differentiable model that explicitly models boundaries -- including contours, corners and junctions -- using a new mechanism that we call boundary attention. We show that our model provides accurate results even when the boundary signal is very weak or is swamped by noise. Compared to previous classical methods for finding faint boundaries, our model has the advantages of being differentiable; being scalable to larger images; and automatically adapting to an appropriate level of geometric detail in each part of an image. Compared to previous deep methods for finding boundaries via end-to-end training, it has the advantages of providing sub-pixel precision, being more resilient to noise, and being able to process any image at its native resolution and aspect ratio.