DIoU要比GIou更加符合目標框迴歸的機制，將目標與anchor之間的距離，重疊率以及尺度都考慮進去，使得目標框迴歸變得更加穩定，不會像IoU和GIoU一樣出現訓練過程中發散等問題。
https://arxiv.org/pdf/1911.08287.pdf
https://github.com/Zzh-tju/DIoU-darknet
1：IoU & GIoU存在的問題分析
論文作者通過一個仿真實現，從實驗結果的角度說明了IoU和GIoU存在的問題。實驗設定如下圖所示，
一：綠色框代表仿真實驗需要回歸的七個不同尺度的目標框，七個目標框的中心點座標都是（10 * 10）。
二：藍色的點代表了所有anchor的中心點，中心點的分佈如下圖所示，各個方向都有，各種距離都有，當然每個anchor得一箇中心點都包含有七個不同面積的anchor框。而且每個面積的anchor框又有其中不用比例尺寸。因此一共有5000個藍色點，有5000*7*7個anchor框，而且每個框都需要回歸到七個目標框去，因此一共有5000*7*7*7個迴歸案例。
最終的實驗結果如下：圖中展示的訓練同樣的代數後（200代），三個loss最終每個anchor的誤差分佈。
一：IoU：從IoU誤差的曲線我們可以發現，anchor越靠近邊緣，誤差越大，那些與目標框沒有重疊的anchor基本無法迴歸。
二：GIoU：從GIoU誤差的曲線我們可以發現，對於一些沒有重疊的anchor，GIoU的表現要比IoU更好。但是由於GIoU仍然嚴重的依賴IoU，因此在兩個垂直方向，誤差很大，基本很難收斂，這就是GIoU不穩定的原因。
三：DIoU：從DIoU誤差的曲線我們可以發現，對於不同距離，方向，面積和比例的anchor，DIoU都能做到較好的迴歸。
再用一張很形象的圖，來說明GIoU不穩定以及收斂很慢的原因。下圖中第一行三張圖展示的是GIoU的迴歸過程，其中綠色框爲目標框，黑色框爲anchor，藍色框爲不同次數的迭代後，anchor的偏移結果。第二行三張圖展示的是DIoU的迴歸過程，其中綠色框爲目標框，黑色框爲anchor，紅色框爲不同次數的迭代後，anchor的偏移結果。從圖中我們可以看到，GIoU在迴歸的過程中，從損失函數的形式我們發現，當IoU爲0時，GIoU會先儘可能讓anchor能夠和目標框產生重疊，之後GIoU會漸漸退化成IoU迴歸策略，因此整個過程會非常緩慢而且存在發散的風險。而DIoU考慮到anchor和目標之間的中心點距離，可以更快更有效更穩定的進行迴歸。
2：提出問題
基於GIoU存在的問題，作者提出了兩個問題：
首先，直接最小化anchor框與目標框之間的歸一化距離是否可行，以達到更快的收斂速度。
其次，如何使迴歸在與目標框有重疊甚至包含時更準確、更快。
3：DIoU
作者爲了回答第一個問題：提出了Distance-IoU Loss
上述損失函數中，b，bgt分別代表了anchor框和目標框的中心點，且p代表的是計算兩個中心點間的歐式距離。c代表的是能夠同時覆蓋anchor和目標框的最小矩形的對角線距離。因此DIoU中對anchor框和目標框之間的歸一化距離進行了建模。直觀的展示如下圖所示。
DIoU的優點如下：
1.與GIoU loss類似，DIoU loss在與目標框不重疊時，仍然可以爲邊界框提供移動方向。
2.DIoU loss可以直接最小化兩個目標框的距離，因此比GIoU loss收斂快得多。
3.對於包含兩個框在水平方向和垂直方向上這種情況，DIoU損失可以使迴歸非常快，而GIoU損失幾乎退化爲IoU損失。
3：CIoU
作者爲了回答第二個問題：提出了Complete-IoU Loss
一個好的目標框迴歸損失應該考慮三個重要的幾何因素：重疊面積、中心點距離、長寬比。
GIoU：爲了歸一化座標尺度，利用IoU，並初步解決IoU爲零的情況。
DIoU：DIoU損失同時考慮了邊界框的重疊面積和中心點距離。
然而，anchor框和目標框之間的長寬比的一致性也是極其重要的。基於此，作者提出了Complete-IoU Loss。
上述損失函數中，CIoU比DIoU多出了阿爾法和v這兩個參數。其中阿爾法是用於平衡比例的參數。v用來衡量anchor框和目標框之間的比例一致性。
從阿爾法參數的定義可以看出，損失函數會更加傾向於往重疊區域增多方向優化，尤其是IoU爲零的時候。
