Query2Uncertainty：分布迁移下 3D 对象检测的鲁棒不确定性量化与校准
计算机视觉与模式识别
2026-05-08 v1 机器人学
摘要
可靠的 3D 对象检测不确定性估计对于部署安全的自动驾驶系统至关重要，但现代检测器在分布迁移情形下校准情况仍然很差，尤其是后验校准方法虽能改善分布内测试的校准效果，却无法在分布迁移场景中适应。本文提出一种基于密度的校准方法，将后验校准器与 DETR 风格 3D 检测器中潜在对象查询的特征密度相耦合。这些查询构成紧凑且位置、类别感知的特征，利于密度估计，从而在分布迁移情形下调整模型置信度。通过对这些查询特征拟合密度估计器，本方法联合重校准分类和边界框回归的不确定性。在多视角相机和 LiDAR 基检测器上，本方法在分布内及分布迁移情形下均显著优于标准后验方法。代码公开 https://tillbeemelmanns.github.io/query2uncertainty/。
引用
@article{arxiv.2605.05328,
title = {Query2Uncertainty: Robust Uncertainty Quantification and Calibration for 3D Object Detection under Distribution Shift},
author = {Till Beemelmanns and Alexey Nekrasov and Stefan Vilceanu and Jonas Steinhaus and Timo Woopen and Bastian Leibe and Lutz Eckstein},
journal= {arXiv preprint arXiv:2605.05328},
year = {2026}
}
备注
Accepted for publication at CVPR 2026