Récemment, la détection d'objets 3D à partir d'images panoramiques a connu des progrès notables grâce à son faible coût de déploiement. Toutefois, la plupart des travaux se sont principalement concentrés sur une portée de perception rapprochée, la détection à longue distance restant largement sous-explorée. L’extension directe des méthodes existantes pour couvrir de grandes distances soulève des défis tels que des coûts computationnels élevés et une convergence instable. Pour surmonter ces limitations, ce papier propose un nouveau cadre fondé sur des requêtes creuses, nommé Far3D. En exploitant des priori 2D de haute qualité pour les objets, nous générons des requêtes 3D adaptatives qui complètent les requêtes globales 3D. Afin de capturer efficacement des caractéristiques discriminantes à différentes vues et échelles pour les objets à longue distance, nous introduisons un module d’agrégation sensible à la perspective. En outre, nous proposons une approche de débruitage 3D modulée par la portée, afin de lutter contre la propagation des erreurs de requêtes et de réduire les problèmes de convergence dans les tâches à longue distance. De manière significative, Far3D atteint des performances SoTA (state-of-the-art) sur le défi Argoverse 2, couvrant une portée étendue de 150 mètres, dépassant plusieurs approches basées sur LiDAR. Par ailleurs, Far3D se distingue nettement des méthodes antérieures sur le jeu de données nuScenes. Le code source est disponible à l’adresse suivante : https://github.com/megvii-research/Far3D.