汇报内容：

《SAUGE: Taming SAM for Uncertainty-Aligned Multi-Granularity Edge Detection》，本论文提出了名为SAUGE的新方法，通过利用Segment Anything Model（SAM）的中间特征来建模边缘标签的不确定性。由于标注者偏好不同，边缘标签具有多种粒度，传统方法通常采用投票策略或预设分布来处理这种不确定性。提出的SAUGE在冻结的SAM中注入轻量模块，逐步融合和调整中间特征，实现从粗到细的边缘估计。通过线性混合生成多粒度伪标签，模型能够灵活地输出任意粒度的边缘，并在BSDS500、Multicue和NYUDv2数据集上展示了优异的跨数据集泛化能力，验证了其优越性。