PVALane：基于先验引导的视角无关特征对齐3D车道线检测

单目3D车道线检测对于构建可靠的自动驾驶系统至关重要，近年来发展迅速。现有主流方法主要基于前视图（Front-View, FV）空间，采用预定义的3D锚框进行车道线检测，旨在缓解视角变换带来的影响。然而，该FV-based方法在FV空间与3D空间之间引入了严重的透视几何畸变，导致锚框设计极为密集，最终造成车道线表征模糊不清。本文提出一种新颖的先验引导视角，并构建了一个端到端的框架——PVALane，该框架利用2D先验知识实现高精度且高效的3D车道线检测。由于2D车道线预测能够为车道的存在性提供强先验信息，PVALane通过FV特征生成具有潜在车道的稀疏先验锚框，这些动态先验锚框显著提升了车道线的区分能力，并通过缩小车道搜索空间有效提高了检测精度。此外，通过结合这些先验锚框，并在FV与鸟瞰图（Bird-Eye-View, BEV）空间中联合表示车道线，我们实现了FV与BEV特征之间语义与几何信息的有效对齐与融合。在OpenLane和ONCE-3DLanes数据集上的大量实验表明，所提方法在性能上显著优于现有最先进方法，展现出优异的鲁棒性。