HaCI 算法，即谐波轮廓积分（Harmonic Contour Integration），通过模仿生物视觉过程，提供了一种从 RGB 图像中提取边缘的紧凑方法。该算法由 RenderBear 开发，通过分布式流水线处理图像，从像素级对比度过渡到高分辨率脊线反投影。它为标准边缘检测提供了一种专门的替代方案，在生物合理性与 BRIND 和 BIPED 等基准测试的可衡量性能之间取得了平衡。
此图像作为 HaCI 算法通过其四阶段流水线处理的 RGB 输入数据的代表性示例。
四阶段流水线
该算法始于 L0 阶段，在此阶段，每个像素与其八个邻域像素进行比较，并使用学习到的亮度/色度指标。这种对比度被除以局部空间对比度池，从而创建每个像素的谐波场。在 L1 阶段，这些谐波在稀疏单元网格上的重叠块上求和，以产生定向调节的响应。
“Seed”阶段应用了如 Naka–Rushton 增益控制和关联场等生物学原理。此步骤根据轮廓沿线的相邻单元缩放响应，并使用侧向抑制来剔除平行轮廓。这一过程确保了孤立边缘被保留，而纹理和光栅被抑制。最后，“Render”阶段使用学习到的 1D 内核将这些单元响应重新映射回全分辨率，以生成软边界图。
“一个紧凑的、完全分布式的算法，通过四个阶段从 RGB 图像中提取边缘：”
— GitHub - RenderBear/haci: A compact, fully distributed algorithm that extracts edges from RGB images
基准测试性能
HaCI 在 BRIND 测试集上进行了评估，该测试集包含 200 张针对不同不连续类型重新标注的图像。该算法的 NMS 细化图实现了 0.7179 的 ODS（最佳检测得分）和 0.6791 的精确度。渲染器产生的原始软图显示的 ODS 略低，为 0.7158。
此图展示了 HaCI 流水线的最终输出，显示了提取出的边缘和轮廓。
由 HN Digest 根据 github.com 报告的数据绘制；数值与源文件一致。
该项目还支持在 BIPED 和 NYUDv2 数据集上进行测试。对于 NYUDv2 数据集，评估使用 0.011 的匹配距离，反映了其地面真值与 BRIND 和 BSDS500 基准测试中使用的更严格的 0.0075 容差相比，定位精度较低。
硬件效率与权衡
该算法在现代硬件上展示了高效的执行能力，特别是 Apple 的 Metal Performance Shaders (MPS)。对于 1920x1080 分辨率，系统需要 233 MB 主机内存和 2.2 GB GPU 内存，并在 459 毫秒内完成推理。渲染器的 splat 和梯度操作作为 Metal 内核实现，以确保与 CPU 路径的一致性。
在原始软图和 NMS 细化图之间存在主要的权衡。虽然细化图通过去除噪声提高了精确度和召回率，但原始图提供了连续的边界表示。来源未提供与最先进的非生物启发深度学习模型的直接对比，而是侧重于 HaCI 流水线的内部一致性。