提出了一种名为 Atrous Transformer 的神经网络架构来进行车道检测，该网络采用局部 Atrous Former 增强特征提取器，然后通过行列顺序收集信息以提高信息提取能力，此外还提出了一种局部语义引导解码器来更准确地描绘车道的身份和形状，并使用三个基准测试数据集对其进行了评估，结果表明该网络表现优越。

Mar, 2022

PersFormer 是一种新型的端到端基于 Transformer 的单目 3D 车道检测器，该模型通过参考相机参数生成前视局部区域的鸟瞰图特征向量，并采用统一的 2D/3D 车道锚设计和辅助任务来同时检测 2D/3D 车道线，同时释放了针对车道检测以及其他工业相关的自动驾驶方法的大型真实世界 3D 车道数据集 OpenLane，该数据集包含 200,000 帧、880,000 个实例级车道、14 个车道类别以及场景标签和封闭路径对象注释，证明 PersFormer 在 3D 车道检测任务上明显优于竞争基线，并且在 OpenLane 的 2D 任务中与现有技术水平相当。

Mar, 2022

本文提出了一种基于锚点的深度车道线检测模型 LaneATT，通过引入注意力机制和全局信息聚合，解决扩展到自动驾驶的场景的实时性问题，并在多个公开数据集上验证了其效果优于现有的方法。

Oct, 2020

Laneformer 是一种基于 transformer 的架构，用于自动驾驶视觉感知中长期车道检测，通过自注意力机制实现车道形状和语义特征的有效捕获，实验表明能达到 CULane 基准的最佳表现。

Mar, 2022

基于 transformer 模型的 LDTR 提出以整个车道作为锚点，引入多重参考可变形注意力模块和高斯热图辅助分支等方法，用于解决自动驾驶中光照条件和遮挡等挑战性问题，实现了在车道检测领域的最先进性能。

Mar, 2024

CurveFormer++ 是一种基于 Transformer 的单阶段方法，不需要图像特征视图转换模块，直接从透视图像特征中推断出三维车道检测结果。

Feb, 2024

本文提出了一个基于深度学习和结构引导的车道检测框架，采用实例分割表示车道，使用自上而下的消失点引导机制，并引入多层结构约束，在公开基准数据集上表现优于现有方法。

May, 2021

我们提出了一种新颖的 LATR 模型，这是一种基于前视 3D 感知特征的端到端三维车道检测器，通过使用查询和键值对的交叉注意力来检测三维车道，并通过使用车道感知查询生成器和动态三维地面位置嵌入来构建。该模型在合成 Apollo 和真实的 OpenLane 上优于以前的最新方法，F1 得分上的提升幅度大约为 11.4。

Aug, 2023

本篇论文提出了一种适用于自动驾驶的简单灵活的物体检测框架，该框架基于车载点云数据的稀疏性质，通过柱状体进行多视角特征学习来解决过去方法因锚点不平衡带来的问题，采用一种新的适配柱状体的映射模块实现更精准的检测，而且该算法还避免了过去方法中涉及超参数搜索的问题，较大地提高了 3D 物体检测的准确率。

Jul, 2020

本文提出了一种使用 transformer 网络进行车道检测的端到端方法，使用自我注意机制来捕捉细长结构和全局上下文，并在 TuSimple 基准测试中展示了最新的准确性，适应性和实际应用的强大部署潜力。

Nov, 2020