本文提出了一种快速的车道检测算法，其将车道检测问题作为实例分割问题来解决，并使用一种基于学习的透视变换对车道进行参数化拟合，以应对车道变化。该方法既可以处理可变数量的车道，又可以处理车道变化，并在tuSimple数据集上取得了竞争性的结果。

Feb, 2018

本文提出了一种新型的卷积模型用于车道检测，并采用特定训练方法，使其能够适应各种天气和照明环境，达到和竞争对手相当的检测准确度，并以90 FPS的速度运行。

May, 2019

本文提出了一种基于自动生成的合成数据和未标记或部分标记的目标域数据学习的自动驾驶准确车道检测方法，采用了基于自编码器的方法处理合成和真实数据，同时探索了领域自适应方法和半监督学习，经过实验验证，该方法几乎能够在仅有10％标注数据的情况下实现全监督的准确率。

Jul, 2020

本文提出了一种名为REcurrent Feature-Shift Aggregator (RESA)的模块，结合卷积神经网络（CNN）和空间特征来提高车道检测的准确性，同时利用一种名为Bilateral Up-Sampling Decoder的算法，成功地实现了在两个知名的车道检测 benchmark上的最佳表现。

Aug, 2020

本文介绍一个名为扩展自注意力 (ESA) 模块的简单却强大的自注意力机制，在车道检测中取得了最先进的结果，并通过在三个流行的车道检测基准测试上的实验结果表明了该方法的鲁棒性。

Feb, 2021

本研究提出了一种利用二元分割掩模和像素亲和力场预测车道检测的方法，并利用亲和力场和二元掩模水平和垂直地将车道像素聚类到相应的车道实例中，此方法可以检测可变数量车道并且整体上比以前的聚类方法更可解释。在多个数据集上的合格和定量结果展示了我们的模型能够有效地检测和聚类车道，已经成为最具挑战性的CULane数据集和最近引入的非监督LLAMAS数据集的最新技术。

Mar, 2021

提出 CARLANE 数据集并评估了不同领域适应方法对于无人驾驶的车道检测结果，结果表明 CARLANE 能进一步加强无监督域适应的研究，并提出 Prototypical Cross-domain Self-supervised Learning 方法.

Jun, 2022

本研究提出了多层领域自适应（MLDA）框架，通过在像素、实例和类别三个补充的语义级别上处理交叉领域车道检测，以识别车道形状和位置先验知识，提出了一种新的视角来解决车道检测领域差异带来的挑战， 针对现有方法只关注像素级损失而忽略车道形状和位置先验知识的不足， 在两个挑战性数据集TuSimple和CULane中，我们的方法相对于现有领域自适应算法，在准确性和F1分数方面分别提高了8.8％和7.4％。

Jun, 2022

用反映关键性的自监督学习方法CLLD增强车道检测模型对导致车道低可见度的真实环境条件的抵御能力，并在光照阻碍等可见度受损的条件下优于最先进的对比学习方法，尤其在阴影等情况下表现出色。

Aug, 2023

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