现有的单目3D检测器通常采用解耦预测范式，以缓解3D边界框显著的非线性回归问题。该范式通过多个分支分别估计几何中心、深度、尺寸和旋转角度。尽管这种解耦策略简化了学习过程，但其本质上忽略了不同属性之间的几何协同约束，导致缺乏几何一致性先验，从而限制了性能表现。为解决这一问题，我们提出一种新颖的空间-投影对齐（Spatial-Projection Alignment, SPAN）方法，包含两个关键组件：(i) 空间点对齐（Spatial Point Alignment）通过在预测的3D边界框与真实3D边界框之间施加显式的全局空间约束，有效纠正因解耦属性回归所导致的空间漂移；(ii) 3D-2D投影对齐（3D-2D Projection Alignment）确保3D边界框在图像平面上的投影能够紧密对齐于对应的2D检测边界框，从而缓解以往方法中被忽略的投影错位问题。为保障训练稳定性，我们进一步引入一种分层任务学习（Hierarchical Task Learning）策略，随着3D属性预测的逐步优化，逐步引入空间-投影对齐机制，防止早期阶段各属性间的误差传播。大量实验表明，所提出的方法可无缝集成至任意现有单目3D检测器中，并显著提升检测性能。