Temporal-Anchor3DLane：基于多任务损失与LSTM融合的增强3D车道线检测
计算机视觉与模式识别
2025-12-16 v1
摘要
单目3D车道线检测由于深度模糊、遮挡以及帧间时间不稳定性而具有挑战性。基于锚点的方法如Anchor3DLane通过从多摄像头环绕视图回归连续3D车道曲线展示了强大的性能。然而，基线模型仍然表现出：(i) 对回归异常值的敏感性，(ii) 全局曲线几何的弱监督，(iii) 平衡多个损失项的困难，以及(iv) 时间连续性的有限利用。我们提出了Temporal-Anchor3DLane，一个增强的3D车道线检测框架，通过三个关键贡献扩展了Anchor3DLane：(1) 一组多任务损失改进，包括Balanced L1回归、Chamfer点集距离和基于不确定性的损失加权，以及用于分类和可见性的focal和Dice组件；(2) 一个轻量级的Temporal LSTM Fusion模块，用于跨帧聚合锚点特征，替换了更重的Transformer风格时间融合；(3) ESCOP风格的训练改进，将曲线级监督与时间一致性相结合。在OpenLane上，Temporal-Anchor3DLane将F1提升了+6.2，并产生了更平滑的时间轨迹，表明小型架构和损失改进显著增强了3D车道线的鲁棒性，而无需额外的传感器或扩展。
引用
@article{arxiv.2512.11869,
title = {Temporal-Anchor3DLane: Enhanced 3D Lane Detection with Multi-Task Losses and LSTM Fusion},
author = {D. Shainu Suhas and G. Rahul and K. Muni},
journal= {arXiv preprint arXiv:2512.11869},
year = {2025}
}