基于小波增强上下文建模与自适应采样的鲁棒车道检测

车道检测对于自动驾驶和高级驾驶辅助系统至关重要。虽然最近的方法如 CLRNet 取得了强劲的性能，但它们在恶劣条件下（如极端天气、光照变化、遮挡和复杂弯道）仍然表现不佳。我们提出了一种小波增强特征金字塔网络来解决这些挑战。在特征金字塔之前集成了一个基于小波的非局部块，以改善全局上下文建模，特别是对于被遮挡和弯曲的车道。此外，我们设计了一个自适应预处理模块，以在光照不佳的情况下增强车道可见度。一种注意力引导的采样策略进一步细化了空间特征，提高了对远处和弯曲车道的准确性。在 CULane 和 TuSimple 上的实验表明，我们的方法在具有挑战性的场景中显著优于基线，在实际驾驶条件下实现了更好的鲁棒性和准确性。