基于曲线点查询的结构不确定性感知单目3D车道检测
计算机视觉与模式识别
2025-11-18 v1
摘要
单目3D车道检测受到内在观测噪声引起的aleatoric不确定性的挑战。现有方法依赖简化的几何假设(如独立点预测或全局平面建模)，无法捕捉真实场景中的结构变异和aleatoric不确定性。本文提出MonoUnc，一种无需鸟瞰视角( BEV-free)的3D车道检测器，通过显式建模局部车道结构所信息的aleatoric不确定性。具体而言，将3D车道投影到前视(FV)空间并用参数化曲线近似。根据曲线预测结果，动态生成用于3D空间车道点预测的曲线点查询嵌入。每个由相邻两点组成的线段被建模为3D高斯分布，由局部结构和不确定性估计参数化。相应地，设计了一种新的3D高斯匹配损失，用于约束这些参数。在ONCE-3DLanes和OpenLane数据集上进行实验表明，MonoUnc在更严格的评估标准下超越了之前的最先进(SoTA)方法。此外，我们提出了两种全面的评估指标，用于ONCE-3DLanes，计算平均和最大双向Chamfer距离以量化全局和局部误差。代码已发布于https://github.com/lrx02/MonoUnc。
引用
@article{arxiv.2511.13055,
title = {Monocular 3D Lane Detection via Structure Uncertainty-Aware Network with Curve-Point Queries},
author = {Ruixin Liu and Zejian Yuan},
journal= {arXiv preprint arXiv:2511.13055},
year = {2025}
}