SparseLaneSTP：利用时空先验与稀疏 Transformer 进行 3D 车道线检测
计算机视觉与模式识别
2026-01-09 v1
摘要
3D 车道线检测已成为自动驾驶中的关键挑战，涵盖车道标线和 3D 路面的识别与定位。传统的 3D 方法从密集的鸟瞰图（BEV）特征中检测车道线，然而错误的变换通常会导致与真实 3D 路面不对齐的不良特征表示。虽然最近的稀疏车道线检测器已经超越了密集 BEV 方法，但它们完全忽略了有价值的特定车道先验。此外，现有方法未能利用历史车道线观测结果，而这些结果在能见度差的情况下具有解决歧义的潜力。为了应对这些挑战，我们提出了 SparseLaneSTP，一种将车道结构的几何特性和时间信息集成到稀疏车道线 Transformer 中的新方法。它引入了新的特定车道时空注意力机制、为稀疏架构量身定制的连续车道线表示以及时间正则化。针对现有 3D 车道线数据集的缺陷，我们还使用一种简单而有效的自动标注策略引入了一个精确且一致的 3D 车道线数据集。我们的实验部分证明了我们贡献的益处，并展示了在现有 3D 车道线检测基准以及我们的新数据集上，所有检测和误差指标均达到了 SOTA 性能。
引用
@article{arxiv.2601.04968,
title = {SparseLaneSTP: Leveraging Spatio-Temporal Priors with Sparse Transformers for 3D Lane Detection},
author = {Maximilian Pittner and Joel Janai and Mario Faigle and Alexandru Paul Condurache},
journal= {arXiv preprint arXiv:2601.04968},
year = {2026}
}
备注
Published at IEEE/CVF International Conference on Computer Vision (ICCV) 2025