边界框回归始终是目标检测中的关键环节，其核心在于让模型学会精准地框定目标物体。现有方法中，ℓn-norm损失应用广泛，但它的优化目标与评价指标并不一致——评价指标采用IoU（交并比），而损失函数却独立于它。随后出现了IoU损失和GIoU损失，试图将IoU本身作为优化目标，但仍存在收敛缓慢、回归精度不足的问题。本文提出了一种新型解决方案——DIoU损失，其核心思路是直接优化预测框与真实框中心点之间的归一化距离，收敛速度显著优于IoU和GIoU。

更重要的是，文章系统总结了边界框回归的三个几何要素：重叠面积、中心点距离、高宽比，并据此提出了CIoU损失，进一步提升了速度和精度。将CIoU应用于YOLO v3、SSD、Faster RCNN等主流检测器后，不仅IoU指标得到提升，GIoU指标也随之改善。此外，DIoU还可以自然地融入NMS（非极大抑制）中作为筛选标准，取得了不错的效果。

目标检测是计算机视觉领域经久不衰的核心问题，已历经数十年研究。现有方法大致分为三类：单阶段（YOLO系列、SSD）、两阶段（R-CNN系列）以及多阶段（Cascade R-CNN）。无论采用哪种框架，边界框回归这一步骤都是不可或缺的。

IoU

IoU介绍

Intersection over Union（IoU），即交并比，是指两个框的交集面积除以并集面积。其计算公式非常简单：

\[ \text{IoU} = \frac{|B \cap B^{gt}|}{|B \cup B^{gt}|} \]

其中 \(B^{gt}\) 表示真实框，\(B\) 表示预测框。

IoU Loss

损失函数公式：

\[ \mathcal{L}_{IoU} = 1 - \text{IoU} \]

优缺点分析

IoU损失存在一个显著缺陷：只有当两个框存在重叠区域时，梯度才有效；一旦两者不相交，IoU恒为0，梯度也随之消失，导致预测框无法更新。此外，不同的预测框形状可能计算出相同的IoU损失，但实际回归质量却天差地别。请看下图，左侧是两个不相交的框，右侧是两个形状不同但IoU相同的框，尽管损失值一致，回归效果却截然不同。

GIoU

GIoU介绍

GIoU正是为解决IoU在无重叠时梯度为零的问题而提出的。它在IoU的基础上增加了一个惩罚项：首先找到两个框的最小外接矩形，然后计算该外接矩形减去两个框并集的面积，最后除以外接矩形面积。算法流程如下：

GIoU Loss

损失函数公式：

\[ \mathcal{L}_{GIoU} = 1 - \text{IoU} + \frac{|C - (B \cup B^{gt})|}{|C|} \]

其中 \(C\) 是覆盖 \(B\) 和 \(B^{gt}\) 的最小矩形框。由于引入了这一惩罚项，即使两个框不相交，预测框也会朝着目标框的方向移动。

优缺点分析

GIoU在框不相交时确实有效，并且在所有性能指标上可以作为IoU的替代品，有助于提升检测精度。但问题依然存在：当两个框存在包含关系时，惩罚项 \(C - (A \cup B)\) 的面积往往很小甚至为0，导致GIoU几乎退化回IoU，梯度再次消失。下面三个框中，GIoU损失相同，但第三个框的回归效果明显更优。

IoU & GIoU 分析

以上分析了IoU和GIoU的局限性，下面通过模拟实验来观察边界框回归的具体过程。为什么要进行模拟？因为真实检测场景中，不同距离、尺度、长宽比的情况过于复杂，难以控制变量。模拟实验能够全面覆盖这些情况，便于分析损失函数存在的问题。

模拟实验

实验设置：选取7个单位框（面积均为1）作为目标框，长宽比分别为 \(1:4, 1:3, 1:2, 1:1, 2:1, 3:1, 4:1\)，中心点固定。锚框均匀分布在半径为3的圆形区域内，共5000个点。每个点放置7种尺度（面积0.5, 0.67, 0.75, 1, 1.33, 1.5, 2）和7种长宽比的锚框，总计 \(5000 \times 7 \times 7 \times 7 = 1,715,000\) 个回归案例。

图3：(a) 模拟实验覆盖了不同距离、尺度和长宽比；(b) 不同损失函数在迭代T时的误差曲线。

采用梯度下降法模拟回归，迭代公式为：

\[ B^{t} = B^{t-1} + \eta \nabla \mathcal{L} \]

其中 \(B^t\) 是第t次迭代的预测框，\(\nabla \mathcal{L}\) 是损失梯度，\(\eta\) 是学习率（实验中乘以2以加速收敛）。误差用 \(1 - \text{IoU}\) 衡量，迭代到T时的误差曲线如图3(b)所示。

IoU 和 GIoU 损失的限制

图4展示了5000个分散点在迭代T时的最终回归误差。从图4(a)可以清晰看出，IoU损失仅对重叠的框有效——不重叠的锚框梯度为0，完全无法移动。GIoU通过惩罚项缓解了这一问题（图4(b)），扩大了有效工作区域，但在水平方向和垂直方向上仍然存在较大误差。原因在于，GIoU的惩罚项最小化的是 \(|C - A \cup B|\)，当两个框存在包含关系时，该值很小甚至为0，GIoU又退化为IoU。虽然GIoU在足够多的迭代次数下也能收敛，但速度极慢——它先让预测框变大去覆盖目标框，再通过IoU项匹配，收敛路径非常曲折。

总结一下：不重叠时，IoU损失基本失效；GIoU在水平和垂直方向上收敛缓慢。在实际检测中，IoU和GIoU都无法保证回归的准确性。

DIoU & CIoU

看到这里，自然会提出两个问题：第一，能否直接最小化两个框中心点的归一化距离，从而实现更快的收敛？第二，当框重叠甚至包含时，如何回归得更准、更快？

DIoU Loss

Distance-IoU损失正是针对这些问题提出的。其一般形式为：

\[ \mathcal{L} = 1 - \text{IoU} + \mathcal{R}(B, B^{gt}) \]

关键在于惩罚项 \(\mathcal{R}\)。DIoU的惩罚项定义为中心点距离的归一化：

\[ \mathcal{R}_{DIoU} = \frac{\rho^2(\mathbf{b}, \mathbf{b}^{gt})}{c^2} \]

其中 \(\mathbf{b}, \mathbf{b}^{gt}\) 分别是两个框的中心点，\(\rho\) 表示欧氏距离，\(c\) 是覆盖两个框的最小外接矩形的对角线长度。损失函数为：

\[ \mathcal{L}_{DIoU} = 1 - \text{IoU} + \frac{\rho^2(\mathbf{b}, \mathbf{b}^{gt})}{c^2} \]

如图5所示，DIoU直接最小化中心点距离，而GIoU仍在计算外接矩形的面积差。

DIoU 和 IoU/GIoU 损失比较

DIoU继承了IoU和GIoU的一些优良特性：尺度不变；在不重叠时也能提供移动方向。当两个框完美匹配时，\(\mathcal{R}_{DIoU} = 0\)；当两个框相距很远时，\(\mathcal{R}_{DIoU}\) 趋近于2（因为 \(c\) 很大，但距离平方除以 \(c^2\) 最大为2）。

DIoU的优势十分明显：从图1和图3的仿真结果来看，它直接最小化距离，收敛速度远快于IoU和GIoU。对于包含关系（图2）、水平或垂直方向的情况（图6），DIoU能够快速回归，而GIoU几乎退化失效。

Complete IoU Loss

第二个问题如何解决？文章提出，一个优秀的边界框回归损失应当考虑三个几何因素：重叠面积、中心点距离、长宽比。IoU只考虑了重叠，GIoU严重依赖重叠区域，DIoU加入了中心点距离，但还缺少长宽比的一致性。因此，CIoU在DIoU的基础上增加了长宽比惩罚项：

\[ \mathcal{R}_{CIoU} = \frac{\rho^2(\mathbf{b}, \mathbf{b}^{gt})}{c^2} + \alpha v \]

其中 \(v\) 衡量长宽比的一致性：

\[ v = \frac{4}{\pi^2} \left( \arctan \frac{w^{gt}}{h^{gt}} - \arctan \frac{w}{h} \right)^2 \]

\(\alpha\) 是权衡参数：

\[ \alpha = \frac{v}{(1 - \text{IoU}) + v} \]

损失函数为：

\[ \mathcal{L}_{CIoU} = 1 - \text{IoU} + \frac{\rho^2(\mathbf{b}, \mathbf{b}^{gt})}{c^2} + \alpha v \]

由于 \(v\) 对 \(w\) 和 \(h\) 的梯度分母很小（范围在[0,1]之间），容易引发梯度爆炸，因此在实现时去除了主导器，采用步长替换，保持梯度方向一致。

NMS（非极大抑制）

介绍

NMS是大多数检测算法的最后一步——去除冗余的检测框，只保留与最高分框重叠超过阈值的框。Soft-NMS采用连续函数惩罚相邻框的分数，效果更为柔和；IoU-Net通过预测定位置信度来指导NMS；自适应NMS和Softer-NMS分别针对阈值和加权平均进行了研究。这里简单地将DIoU作为NMS的标准，同时考虑重叠面积和中心点距离。

DIoU-NMS

用DIoU替换原始NMS中的IoU。在抑制冗余框时，不仅考虑重叠区域，还考虑两个中心点的距离。公式如下：

\[ s_i = \begin{cases} s_i, & \text{DIoU}(\mathcal{M}, B_i) < \varepsilon \\ 0, & \text{DIoU}(\mathcal{M}, B_i) \geq \varepsilon \end{cases} \]

其中 \(\mathcal{M}\) 是最高分框，\(s_i\) 是框 \(B_i\) 的得分，\(\varepsilon\) 是阈值。这样一来，两个中心点距离较远的框（可能对应不同物体）就不会被错误删除。DIoU-NMS非常轻量，只需几行代码即可集成。

小结

本文主要介绍了用于边界框回归的DIoU损失和CIoU损失，以及用于NMS的DIoU-NMS。通过直接最小化两个中心点的归一化距离，收敛速度远快于IoU和GIoU。CIoU更进一步，综合考虑了重叠面积、中心点距离和长宽比三个几何因素，促进了更快的收敛和更优的性能。实验表明，这些改进在YOLO v3、SSD、Faster RCNN等检测器上均取得了显著提升。