ReManNet：用于单目 3D 车道检测的黎曼流形网络

单目 3D 车道检测因深度歧义和几何约束不足而具有挑战性。主流方法依赖深度引导、BEV 投影和锚框或曲线基的检测头，采用简化的物理假设，对高维图像特征进行重映射，仅弱地编码道路几何。由于缺乏车道与底图之间不变的几何-拓扑耦合，2D 到 3D 的提升是不严谨且脆弱的，常导致凹陷、隆起和扭曲。为此，我们提出了道路-流形假设：道路是 $\mathbb{R}^3$ 中的光滑 2D 流形，车道是嵌入的 1D 子流形，采样的车道点是稠密观测，从而在曲面、曲线和点集之间实现度量和拓扑的耦合。基于此，我们提出了 ReManNet，首先通过图像主干和检测头产生初始车道预测，然后将几何编码为对称正定（SPD）流形上的黎曼高斯描述符，通过轻量门控与视觉特征融合，以保持一致的 3D 推理。我们还提出了 3D Tunnel Lane IoU（3D-TLIoU）损失，一种联合点-曲线目标，计算沿每个车道的管状邻域的切片级重叠，以提高形状级对齐。大量实验表明，ReManNet 在标准基准上实现了最先进（SOTA）或具有竞争力的结果。在 OpenLane 上，它相对于基线提升 8.2%，相对于当前最佳方法提升 1.8%，场景级提升最高可达 6.6%。代码将在 https://github.com/changehome717/ReManNet 上公开。