ドライビングシーン理解タスクは、車線、交通標識、信号機などの静的要素を検出し、それらの相互関係を解析することを含みます。複数のカメラビューを使用した包括的なシーン理解ソリューションの開発を支援するため、新しいデータセット「Road Genome (OpenLane-V2)」が公開されました。このデータセットは、複雑な道路接続や車線マーキングが存在しない状況の探索を可能にします。従来の車線マーキングではなく、このデータセットでは車線がセンターラインによって表現されており、これは車線とその接続のより適切な表現を提供します。本研究では、道路トポロジーにおけるセンターライン予測のために新しい手法「TopoMask」を提案しました。既存の文献で報告されているキーポイントやパラメトリック手法に依存するアプローチとは異なり、TopoMaskはインスタンスマスクベースの定式化とトランスフォーマーに基づくアーキテクチャを使用しています。また、マスクインスタンスにフロー情報を追加するために方向ラベル表現が提案されています。TopoMaskはOpenLane-V2スコア（OLS）で4位となり、2023年のOpenLaneトポロジーチャレンジにおいてセンターライン予測のF1スコアで2位を獲得しました。現在の最先端手法であるTopoNetと比較して、フレシェット距離に基づく車線検出では同等の性能を達成し、チャムファー距離に基づく車線検出ではScene Graph Neural Networkを利用せずにTopoNetを上回る結果を得ています。以上のように翻訳することで、専門的な内容と技術概念が正確に伝えられつつも、日本語の読みやすさと自然さが保たれます。