Wir präsentieren eine verallgemeinerte und skalierbare Methode, die Gen-LaneNet genannt wird, um 3D-Fahrstreifen aus einem einzelnen Bild zu erkennen. Diese Methode, inspiriert von dem neuesten Stand der Technik in Form von 3D-LaneNet, ist ein einheitliches Framework, das Bildkodierung, räumliche Transformation von Merkmalen und Vorhersage von 3D-Fahrstreifen in einem einzigen Netzwerk löst. Dennoch schlagen wir für Gen-LaneNet zwei einzigartige Designaspekte vor. Erstens führen wir eine neue geometriegeführte Fahrstreifen-Ankerdarstellung in einem neuen Koordinatensystem ein und wenden eine spezifische geometrische Transformation an, um die realen 3D-Fahrstreifenpunkte direkt aus der Netzwerkausgabe zu berechnen. Wir zeigen, dass die Ausrichtung der Fahrstreifenpunkte mit den zugrunde liegenden top-down-Merkmalen im neuen Koordinatensystem entscheidend für eine verallgemeinerte Methode bei der Bearbeitung unbekannter Szenarien ist. Zweitens stellen wir ein skalierbares zweistufiges Framework vor, das das Lernen des Bildsegmentierungs-Teilnetzwerks und des Geometriekodierungs-Teilnetzwerks entkoppelt. Im Vergleich zu 3D-LaneNet reduziert das vorgeschlagene Gen-LaneNet erheblich die Menge an 3D-Fahrstreifenlabels, die erforderlich sind, um eine robuste Lösung in realen Anwendungen zu erreichen. Darüber hinaus veröffentlichen wir einen neuen synthetischen Datensatz und dessen Generierungsstrategie, um die Entwicklung und Bewertung von 3D-Fahrstreifenerkennungsmethoden zu fördern. In Experimenten führen wir eine umfangreiche Abstraktionsstudie durch, um nachzuweisen, dass das vorgeschlagene Gen-LaneNet im Durchschnittswert (Average Precision, AP) und F-Wert signifikant besser abschneidet als 3D-LaneNet.请注意，这里的“F-Wert”是德语中常用的术语，对应于英语中的“F-score”。如果您希望保留原始术语，可以将其标记为“F-Score (F-Wert)”。