線段檢測是計算機視覺中的一項基礎任務，廣泛應用於視覺同步定位與地圖構建（SLAM）、三維重建以及工業檢測等領域。近年來，基於深度學習的方法顯著提升了檢測精度，但即便是最小的模型也需要數兆字節的內存，這遠遠超出了低成本微控制器單元（MCU）的容量限制。例如，常見的ARM Cortex-M系列MCU通常只有幾百KB到幾MB的RAM，無法容納現有的深度學習線段檢測模型。因此，在亞兆字節（sub-MB）內存預算下實現高精度線段檢測成為一個關鍵挑戰。
在這篇於2026年7月7日提交的論文中，來自Parsa Hassani Shariat Panahi等三位作者的研究團隊提出了MiLSD（Micro Line-Segment Detector），一種專為MCU級資源約束設計的微型線段檢測器。該工作系統性地探索了在緊湊的全卷積骨幹網絡中，三種不同的輸出表示對模型性能的影響：標準的熱圖迴歸、偏移量回歸以及他們提出的F-Clip中心-長度-角度公式。實驗結果表明，F-Clip公式在小模型規模下學習效率最高，能夠更有效地利用有限的參數和內存資源。例如，在僅有25k參數（0.25 MB）的基線上，F-Clip表示就展現出了優於其他表示的性能。
在模型量化方面，研究團隊發現8位量化幾乎可以無損地保持全精度模型的性能，這使得模型可以在低功耗MCU上高效運行。然而，4位量化會導致顯著的精度下降，尤其是在角度迴歸方面，即使採用量化感知訓練也只能部分恢復損失的性能。這一發現對於邊緣設備上的模型部署具有重要指導意義。
為了在1兆字節的激活預算內進一步提升性能，MiLSD引入了多種推理增強技術：亞像素解碼可以提高線段的定位精度，測試時數據增強能夠增加預測的魯棒性，而輕量級驗證器則用於過濾掉低質量的檢測結果。通過這些技術的組合，MiLSD在ShanghaiTech Wireframe數據集上的sAP10指標從基線模型的10.6提升至24.1，性能提升超過一倍，同時內存佔用保持在1 MB以內。
值得注意的是，該工作並不旨在與GPU級的大規模解析器競爭，而是專注於為嵌入式視覺系統繪製精度-內存的權衡曲線。論文系統地比較了不同輸出表示、位寬（8位與4位）、模型容量（從25k參數到更大規模）以及後處理策略（如亞像素解碼、測試時增強和驗證器）對精度和內存消耗的影響。這些結果可以指導工程師根據具體應用場景（如機器人、無人機、工業傳感器）的設備限制，選擇合適的模型配置。
MiLSD的提出填補了高精度線段檢測與低功耗嵌入式設備之間的空白，使得在成本敏感的物聯網終端、微型無人機以及工業傳感器上部署實時視覺算法成為可能。未來工作可以進一步探索模型壓縮技術（如知識蒸餾、權重共享）以及硬件協同設計，以推動線段檢測在邊緣計算場景中的更廣泛應用。論文共計10頁，包含12張圖表和5個表格，所有代碼和模型將在論文發表後開源。