Wir behandeln das Problem der Kurvenfahrbahn-Detektion, das realistischere Herausforderungen darstellt als die herkömmliche Fahrbahndetektion und somit modernen Assistenz- und autonomen Fahrzeugsystemen besser dienen soll. Aktuelle, handgestaltete Methoden zur Fahrbahndetektion sind nicht ausreichend robust, um Kurvenfahrbahnen – insbesondere deren entfernte Abschnitte – zu erfassen, da sie sowohl langreichweitige kontextuelle Informationen als auch detaillierte Kurvenverläufe nicht ausreichend modellieren können. In diesem Artikel stellen wir einen neuartigen, lane-sensitiven Architektursuchrahmen namens CurveLane-NAS vor, der automatisch sowohl langreichweitige kohärente als auch präzise kurzreichweitige Kurveninformationen erfassen kann. Zudem vereint der Ansatz Architektursuche und Nachverarbeitung von Kurvenfahrbahn-Vorhersagen über Punkt-Blending. Der Rahmen besteht aus drei Suchmodulen: a) einem Feature-Fusion-Suchmodul zur Optimierung der Kombination lokaler und globaler Kontextinformationen für hierarchische Merkmale auf mehreren Ebenen; b) einem elastischen Backbone-Suchmodul zur Exploration eines effizienten Merkmalsextraktors mit guter Semantik und geringer Latenz; c) einem adaptiven Punkt-Blending-Modul zur Suche einer mehrstufigen Nachbearbeitungsstrategie zur Kombination von Vorhersagen mehrerer Skalen. Der einheitliche Rahmen gewährleistet lane-sensible Vorhersagen durch wechselseitige Steuerung zwischen NAS und adaptivem Punkt-Blending. Darüber hinaus präsentieren wir auch eine anspruchsvollere Benchmark namens CurveLanes, um die schwierigsten Kurvenfahrbahnen zu adressieren. Das neue Datenset umfasst 150.000 Bilder mit insgesamt 680.000 Annotationen und ist unter github.com/xbjxh/CurveLanes verfügbar (bereits anonymisiert für diese Einreichung). Experimente auf dem neuen CurveLanes-Datenset zeigen, dass state-of-the-art-Methoden zur Fahrbahndetektion erhebliche Leistungsabfälle aufweisen, während unser Modell weiterhin einen F1-Score von über 80 % erreicht. Umfassende Tests auf klassischen Benchmarks wie CULane belegen zudem die Überlegenheit unseres CurveLane-NAS, beispielsweise mit einem neuen State-of-the-Art-F1-Score von 74,8 % auf CULane.