GFSR：基于几何保真与空间精炼的可靠车道检测
计算机视觉与模式识别
2026-05-27 v2
摘要
车道检测是自动驾驶和高级驾驶辅助系统中的关键感知任务。然而，现有方法在复杂真实场景下仍表现下降，主要源于两个局限：其一，分类置信度仅刻画车道先验的类别存在性，与几何质量无强关联；若仅凭此置信度进行阈值过滤和 NMS，模型倾向保留高置信度但几何表征较差的车道先验，同时消除低置信度但几何表现更优的车道。其二，现有方法的回归模块削弱了采样点之间的相关性，阻碍对远距离、高曲率和复杂拓扑车道的细粒度优化，导致模型欠拟合。为此，我们提出几何保真与空间精炼框架 GFSR，包含 LaneIoU 引导的置信度校准 (LCC) 和自适应门控位置精炼 (AGLR)。具体而言，LCC 采用 LaneIoU 作为软监督，显式估计车道先验的几何保真度，并与分类置信度融合构建协同可靠指数 (CRI)，以指导车道先验过滤，有效保留高置信度且几何质量优的车道。AGLR 与回归头协同工作，预测采样点横向偏移量，并采用门控机制自适应调节修正幅度，强化点间关联性，提升模型对复杂车道场景的适应性与鲁棒性。在 CULane 和 CurveLanes 上进行大规模实验，表明 GFSR 在 CULane 上实现最先进性能，F1_50 与 F1_75 分别为 81.46% 与 65.01%，在 CurveLanes 上达到 87.35% 的 F1_50。
引用
@article{arxiv.2605.23327,
title = {GFSR: Geometric Fidelity and Spatial Refinement for Reliable Lane Detection},
author = {Tiancheng Wang and Zhaolu Ding and Richeng Xu and Tianhui Zheng and Hui Liu and Hanyu Xuan and Zhiliang Wu and Guanghui Yue},
journal= {arXiv preprint arXiv:2605.23327},
year = {2026}
}
备注
Submitted to IEEE Transactions on Intelligent Transportation Systems. 12 pages, 6 figures