面向内参感知的单目3D目标检测
计算机视觉与模式识别
2026-03-31 v1
摘要
单目3D目标检测旨在从单张RGB图像推断3D空间中的目标位置与尺寸。尽管近期取得了进展，现有方法对相机内参仍高度敏感，且难以在不同设置间泛化，因为内参决定了3D场景如何投影到图像平面上。我们提出 MonoIA，一个统一的内参感知框架，通过语言引导表示来建模和适应内参变化。核心洞见在于，内参变化并非数值差异，而是一种改变表观尺度、透视和空间几何的感知变换。为捕捉这一效应，MonoIA 利用大语言模型和视觉语言模型生成编码相机参数视觉与几何含义的内参嵌入。这些嵌入通过内参适配模块分层集成到检测网络中，使模型能够根据相机特定配置调节其特征表示，并在不同内参下保持一致的3D检测。这一转变将内参建模从数值条件化转向语义表示，从而在相机之间实现鲁棒且统一的感知。在 KITTI、Waymo 和 nuScenes 等标准基准上的广泛实验表明 MonoIA 取得了新的最先进结果（例如 KITTI 排行榜 +1.18%），并在多数据集训练下进一步提升性能（例如 KITTI Val +4.46%）。
引用
@article{arxiv.2603.27059,
title = {Towards Intrinsic-Aware Monocular 3D Object Detection},
author = {Zhihao Zhang and Abhinav Kumar and Xiaoming Liu},
journal= {arXiv preprint arXiv:2603.27059},
year = {2026}
}
备注
This paper is accepted by CVPR 2026