MonoDGP：基于解耦查询与几何误差先验的单目 3D 目标检测
计算机视觉与模式识别
2025-03-13 v2
摘要
透视投影已广泛应用于单目 3D 目标检测方法中。它引入了来自 2D 边界框和 3D 目标尺寸的几何先验，以减少深度估计的不确定性。然而，由于源自目标视觉表面的深度误差，边界框的高度通常无法代表实际投影中心高度，这削弱了几何深度的有效性。对投影高度的直接预测不可避免地会导致 2D 先验的丢失，而具有复杂分支的多深度预测未能充分利用几何深度。本文提出了一种基于 Transformer 的单目 3D 目标检测方法，称为 MonoDGP，该方法采用透视不变几何误差来修改投影公式。我们还尝试系统地讨论和解释几何误差背后的机制和有效性，作为多深度预测的一种简单但有效的替代方案。此外，MonoDGP 解耦了深度引导解码器，并构建了一个仅依赖于视觉特征的 2D 解码器，在没有 3D 检测干扰的情况下提供 2D 先验并初始化目标查询。为了进一步优化和微调 Transformer 解码器的输入 token，我们还引入了区域分割头（RSH），用于生成增强特征和分割嵌入。我们的单目方法在 KITTI 基准上展现了 SOTA 性能，且无需额外数据。代码可在 https://github.com/PuFanqi23/MonoDGP 获取。
引用
@article{arxiv.2410.19590,
title = {MonoDGP: Monocular 3D Object Detection with Decoupled-Query and Geometry-Error Priors},
author = {Fanqi Pu and Yifan Wang and Jiru Deng and Wenming Yang},
journal= {arXiv preprint arXiv:2410.19590},
year = {2025}
}