MGMap：面向在线矢量化高精地图构建的掩码引导学习

目前，高精 (HD) 地图构建倾向于轻量化的在线生成趋势，旨在保留及时可靠的道路场景信息。然而，地图元素包含强烈的形状先验。细微且稀疏的标注使得当前基于检测的框架在定位相关特征范围时存在模糊性，并导致预测中细节结构的丢失。为了缓解这些问题，我们提出了 MGMap，一种掩码引导方法，通过引入学习到的掩码，有效突出信息区域并实现精确的地图元素定位。具体而言，MGMap 基于增强的多尺度 BEV 特征从两个视角利用学习到的掩码。在实例级别，我们提出了掩码激活实例 (MAI) 解码器，通过实例掩码的激活将全局实例和结构信息融入实例查询中。在点级别，设计了一个新颖的位置引导掩码块细化 (PG-MPR) 模块，从更细粒度的视角细化点位置，从而实现特定点块信息的提取。与基线相比，我们提出的 MGMap 在不同输入模态下实现了约 10 mAP 的显著提升。大量实验也表明，我们的方法展示了强大的鲁棒性和泛化能力。我们的代码可在 https://github.com/xiaolul2/MGMap 找到。