Diese Studie präsentiert einen Ansatz zur Spurdetektion, der die Vorhersage binärer Segmentationsmasken sowie per-Pixel-Affinitätsfelder beinhaltet. Diese Affinitätsfelder zusammen mit den binären Masken können anschließend in einem Nachbearbeitungsschritt genutzt werden, um Spurpixel horizontal und vertikal zu entsprechenden Spurinstanzen zu gruppieren. Diese Gruppierung wird durch einen einfachen zeilenweisen Decodierungsprozess mit geringem Overhead erreicht; dieser Ansatz ermöglicht es dem Modell LaneAF, eine variable Anzahl von Spuren zu detektieren, ohne eine feste oder maximale Anzahl von Spuren vorzusetzen. Darüber hinaus ist diese Form der Gruppierung im Vergleich zu früheren visuellen Gruppierungsansätzen interpretierbarer und kann analysiert werden, um Fehlerquellen zu identifizieren und zu korrigieren. Qualitative und quantitative Ergebnisse auf etablierten Spurdetektions-Datensätzen belegen die Fähigkeit des Modells, Spuren effektiv und robust zu detektieren und zu gruppieren. Unser vorgeschlagener Ansatz erreicht eine neue State-of-the-Art-Leistung auf dem anspruchsvollen CULane-Datensatz sowie auf dem kürzlich vorgestellten unsupervisierten LLAMAS-Datensatz.