MapRF：基于 NeRF 无监督在线 HD 地图构建
计算机视觉与模式识别
2026-05-05 v2
摘要
自动驾驶系统受益于提供关于道路基础设施的高精度（HD）地图。HD 地图的在线构建为从车载传感器生成局部地图提供了可扩展的方法。然而，现有方法通常依赖昂贵的 3D 地图标注进行训练，这限制了其在多样化驾驶环境中的泛化和可扩展性。本文提出了 MapRF，一个弱监督框架，仅使用 2D 图像标签学习构建 3D 地图。为生成高质量的伪标签，我们引入一种基于 NeRF 的模块，条件化于地图预测，从而重建视图一致的 3D 几何和语义。这些伪标签随后被迭代地用于自训练方式，以无需额外监督的方式逐步改进地图网络。此外，为缓解自训练期间的误差累积，我们提出了一种地图到射线匹配策略，将地图预测与从 2D 标签派生的相机射线对齐。在 Argoverse 2 和 nuScenes 数据集上的大量实验表明，MapRF 的性能可与完全监督的方法相当，达到约 75% 的基线水平，同时优于几种仅使用 2D 标签的方法。这凸显了 MapRF 实现自动驾驶可扩展且具成本效益的在线 HD 地图构建的潜力。
引用
@article{arxiv.2511.19527,
title = {MapRF: Weakly Supervised Online HD Map Construction via NeRF-Guided Self-Training},
author = {Hongyu Lyu and Thomas Monninger and Julie Stephany Berrio Perez and Mao Shan and Zhenxing Ming and Stewart Worrall},
journal= {arXiv preprint arXiv:2511.19527},
year = {2026}
}