MIC-BEV：面向多基础设施摄像头的鸟瞰视角 Transformer 及关系感知融合用于 3D 目标检测
计算机视觉与模式识别
2025-10-29 v1
摘要
基础设施感知在智能交通系统中发挥着关键作用，提供全局情境感知，使协作自主能获得支持。然而，现有的基于摄像头的检测模型常因多视图基础设施设置、多样化的摄像机配置、受损视觉输入以及各种道路布局等挑战而表现不佳。我们提出 MIC-BEV（Multi-Infrastructure Camera Bird's-Eye-View），即一种基于 Transformer 的鸟瞰视角（BEV）感知框架，用于基础设施多摄像头 3D 目标检测。MIC-BEV 灵活支持可变数量的摄像机，支持具有异构内在参数和外在参数的摄像机配置，并在传感器降级情况下表现出强大的鲁棒性。我们提出的图增强融合模块将多视图图像特征整合到 BEV 空间中，通过利用摄像机与 BEV 单元之间的几何关系以及潜在视觉线索来实现。为支持训练和评估，我们引入 M2I—a 个用于基础设施目标检测的合成数据集，具有多样化的摄像机配置、道路布局和环境条件。在 M2I 和真实世界数据集 RoScenes 上进行的大规模实验表明，MIC-BEV 在 3D 目标检测中实现了国际前沿性能。它在包括极端天气和传感器降级等具有挑战性条件下也表现出鲁棒性。这些结果凸显了 MIC-BEV 在实际部署中的潜力。数据集和源代码已提供于：https://github.com/HandsomeYun/MIC-BEV。
关键词
引用
@article{arxiv.2510.24688,
title = {MIC-BEV: Multi-Infrastructure Camera Bird's-Eye-View Transformer with Relation-Aware Fusion for 3D Object Detection},
author = {Yun Zhang and Zhaoliang Zheng and Johnson Liu and Zhiyu Huang and Zewei Zhou and Zonglin Meng and Tianhui Cai and Jiaqi Ma},
journal= {arXiv preprint arXiv:2510.24688},
year = {2025}
}