该研究通过一种新型网络架构 3D-LaneNet 直接从单张图像中预测道路场景中 3D 车道的布局，并展示了在合成和真实数据集上的表现，其对车道合并和拆分等复杂情况的处理也更加明确，较以往方法有竞争力。

Nov, 2018

本文介绍一种可微分的确定性点过程 (DPP) 层，能够优化目标检测体系结构以生成多样化且丰富的提案，同时考虑提案之间的空间布局关系和标签级别的语义关系，从而在不增加网络参数数量的情况下，显著改善对象检测的位置和类别检测的性能，比 Faster R-CNN 更加优越。

Apr, 2017

基于稀疏锚点机制的基于 Transformer 的车道检测框架 Sparse Laneformer，在 CULane 上使用相同的 ResNet-34 主干网络，在更少的 MACs 条件下，优于 Laneformer 和 O2SFormer 0.7% 的 F1 得分和 3.0% 的 F1 得分。

Apr, 2024

我们提出了一种基于深度 Hough 变换和动态卷积模块的网络架构，用于检测道路车道，通过在 Hough 参数空间中将车道特征结合起来并利用动态卷积模块有效区分车道特征，实验结果表明我们的方法在检测重度遮挡或磨损车道图像方面表现出了优异的性能。

Jul, 2023

本文提出了一种基于多个传感器的语义定位算法，利用车道，交通标志和车辆动态等信息，以贝叶斯滤波框架为基础，实现对稀疏语义地图的鲁棒定位，相较于传统基于几何学和 LiDAR 强度的定位器所需的储存空间降低了数个数量级，并且证明了其在 312 公里公路数据集上能够获得 0.05m 的横向精度和 1.12m 的纵向精度。

Aug, 2019

通过改进和扩展分割方法，结合扩散概率模型，提高道路图的质量，特别是在非交叉区域中的连通性，从而优于先前方法。

May, 2024

该研究提出了一种新的学习框架，用于学习变形的 3D 形状之间的密集对应关系，通过使用一个在功能映射空间内的结构化预测模型，以及对两个形状定义的密集描述符场的输入和输出，得到在多个具有挑战性的基准测试中表现准确的对应关系。

Apr, 2017

该研究提出了一种基于 HPMB 数据集的建模评估方法和一种针对稀疏点云帧的高精度三维表面建模的联合学习框架 DSMNet，通过实验表明，DSMNet 在 Multi-View Partial Point Cloud (MVP) 数据库上的表现优于当今最先进的方法，并可以广泛应用于稀疏点云环境中的同时定位和地图构建 (SLAM) 的后处理，从而提高了建模精度。

Apr, 2023

本文提出了一种端到端的车道标线检测方法，利用分类任务代替传统的像素级密集预测任务，并使用一种新颖的层来压缩水平分量，通过简单的测试时间操作实现车道标线位置的直接预测，实验结果证明该方法在 TuSimple 和 CULane 数据集上具有与或优于现有技术。

May, 2020

通过将数据分解为车道结构和周围环境，利用高清地图和生成模型增强多样性，本文提出了一种用于车道检测的单源域泛化（SSDG）的新框架，通过策略性选择核心子集数据来增强泛化性能，实验证明该框架提高了车道检测的泛化性能，与基于域自适应的方法相当。

Nov, 2023