HeightLane：BEV 高度图引导的 3D 车道检测

从单目图像中进行精确的 3D 车道检测面临显著挑战，主要由于深度模糊和地面建模不完善。此前对地面建模的尝试通常采用平面地面假设，自由度有限，使其不适合具有不同坡度的复杂道路环境。本研究提出 HeightLane，一种创新方法，通过基于多坡度假设创建锚点，从单目图像中预测高度图。该方法提供了详细且精确的地面表示。HeightLane 利用预测的高度图，结合可变形注意力驱动的空间特征变换框架，高效地将 2D 图像特征转换为 3D 鸟瞰图（BEV）特征，增强空间理解和车道结构识别。此外，高度图用于 BEV 特征的位置编码，进一步提高其空间精度。这种显式的视角变换弥合了前视图感知与空间精确的 BEV 表示之间的差距，显著提升了检测性能。为解决原始 OpenLane 数据集中必要的地面真值（GT）高度图缺失的问题，我们利用 Waymo 数据集并累积其 LiDAR 数据，为每个场景的可行驶区域生成高度图。GT 高度图用于从单目图像训练高度图提取模块。在 OpenLane 验证集上的大量实验表明，HeightLane 在 F-score 方面达到了最先进的性能，突显了其在实际应用中的潜力。