論文の概要: ReManNet: A Riemannian Manifold Network for Monocular 3D Lane Detection

• arxiv url: http://arxiv.org/abs/2603.19776v1
• Date: Fri, 20 Mar 2026 09:10:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 19:48:39.067791
• Title: ReManNet: A Riemannian Manifold Network for Monocular 3D Lane Detection
• Title（参考訳）: ReManNet:モノクロ3Dレーン検出のためのリーマン多様体ネットワーク
• Authors: Chengzhi Hong, Bijun Li,
• Abstract要約: 道路多様体の推定: 道路は$mathbbR3$の滑らかな2次元多様体であり、レーンは埋め込み1次元部分多様体であり、サンプリングされたレーン点は密度の高い観測である。 これに基づいて,画像バックボーンと検出ヘッドを備えた最初のレーン予測を生成するReManNetを提案する。 また3次元トンネルレーンIoU(3D-TLIoU)損失も提案する。
• 参考スコア（独自算出の注目度）: 2.4833995747694355
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Monocular 3D lane detection remains challenging due to depth ambiguity and weak geometric constraints. Mainstream methods rely on depth guidance, BEV projection, and anchor- or curve-based heads with simplified physical assumptions, remapping high-dimensional image features while only weakly encoding road geometry. Lacking an invariant geometric-topological coupling between lanes and the underlying road surface, 2D-to-3D lifting is ill-posed and brittle, often degenerating into concavities, bulges, and twists. To address this, we propose the Road-Manifold Assumption: the road is a smooth 2D manifold in $\mathbb{R}^3$, lanes are embedded 1D submanifolds, and sampled lane points are dense observations, thereby coupling metric and topology across surfaces, curves, and point sets. Building on this, we propose ReManNet, which first produces initial lane predictions with an image backbone and detection heads, then encodes geometry as Riemannian Gaussian descriptors on the symmetric positive-definite (SPD) manifold, and fuses these descriptors with visual features through a lightweight gate to maintain coherent 3D reasoning. We also propose the 3D Tunnel Lane IoU (3D-TLIoU) loss, a joint point-curve objective that computes slice-wise overlap of tubular neighborhoods along each lane to improve shape-level alignment. Extensive experiments on standard benchmarks demonstrate that ReManNet achieves state-of-the-art (SOTA) or competitive results. On OpenLane, it improves F1 by +8.2% over the baseline and by +1.8% over the previous best, with scenario-level gains of up to +6.6%. The code will be publicly available at https://github.com/changehome717/ReManNet.
• Abstract（参考訳）: 深度あいまいさと弱い幾何学的制約のため、単分子3Dレーン検出は依然として困難である。 主流の手法は、深度誘導、BEVプロジェクション、および簡易な物理仮定でアンカーまたはカーブベースのヘッドに依存し、道路形状を弱めながら高次元画像の特徴を再現する。 2D-to-3Dリフトは、路面と路面との間の不変の幾何学的トポロジー結合を欠き、2D-to-3Dリフトは不安定で脆く、しばしば凹凸、膨らみ、ねじれに縮退する。 道路は、$\mathbb{R}^3$の滑らかな2次元多様体であり、レーンは埋め込み1次元部分多様体であり、サンプリングされたレーン点は密集した観測であり、その結果、曲面、曲線、点集合間の計量と位相を結合する。 画像バックボーンと検出ヘッドで最初のレーン予測を最初に生成し、次に対称正定値(SPD)多様体上のリーマンガウス記述子として幾何学を符号化し、これらの記述子を軽量なゲートを通して視覚的特徴と融合させ、コヒーレントな3D推論を維持するReManNetを提案する。 また,3次元トンネルレーンIoU(3D-TLIoU)損失についても提案する。 標準ベンチマークに関する大規模な実験は、ReManNetが最先端(SOTA)または競合的な結果を達成することを示した。 OpenLaneでは、F1をベースラインで+8.2%、以前のベストで+1.8%改善し、シナリオレベルのゲインは+6.6%まで向上した。 コードはhttps://github.com/changehome717/ReManNetで公開される。

関連論文リスト

• Robust Mesh Saliency GT Acquisition in VR via View Cone Sampling and Geometric Smoothing [59.12032628787018]
  バーチャルリアリティー(VR)における人中心視覚モデリングには3次元メッシュサリエンシ基底真理が不可欠である 現在のVRアイトラッキングパイプラインは、単一線サンプリングとユークリッドのスムース化に依存しており、テクスチャの注意を喚起し、ギャップをまたいだ信号の漏洩を引き起こす。 本稿では,これらの制約に対処する頑健な枠組みを提案する。
  論文  参考訳（メタデータ） (2026-01-06T05:20:12Z)
• GeoPurify: A Data-Efficient Geometric Distillation Framework for Open-Vocabulary 3D Segmentation [57.8059956428009]
  2次元視覚言語モデルから3次元セマンティックセグメンテーションへ機能を移行しようとする最近の試みは、永続的なトレードオフを露呈している。 3次元教師モデルから抽出した幾何学的事前情報を用いて2次元VLM生成した3次元点特徴に小さな学生親和性ネットワークを適用したGeoPurifyを提案する。 遅延幾何学情報と学習された親和性ネットワークから恩恵を受けることで、GeoPurifyはトレードオフを効果的に軽減し、優れたデータ効率を実現する。
  論文  参考訳（メタデータ） (2025-10-02T16:37:56Z)
• MonoDGP: Monocular 3D Object Detection with Decoupled-Query and Geometry-Error Priors [24.753860375872215]
  本稿では,MonoDGPと呼ばれるトランスフォーマーを用いたモノクロ3Dオブジェクト検出手法を提案する。 射影公式を変更するために、パースペクティブ不変幾何誤差を採用する。 提案手法は, 余分なデータを必要としないKITTIベンチマークにおいて, 最先端の性能を示す。
  論文  参考訳（メタデータ） (2024-10-25T14:31:43Z)
• 3D Neural Edge Reconstruction [61.10201396044153]
  本研究では,線と曲線に焦点をあてて3次元エッジ表現を学習する新しい手法であるEMAPを紹介する。 多視点エッジマップから無符号距離関数(UDF)の3次元エッジ距離と方向を暗黙的に符号化する。 この神経表現の上に、推定されたエッジ点とその方向から3次元エッジを頑健に抽象化するエッジ抽出アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-05-29T17:23:51Z)
• Decoupling the Curve Modeling and Pavement Regression for Lane Detection [67.22629246312283]
  曲線に基づく車線表現は多くの車線検出法で一般的な手法である。 本稿では,曲線モデルと地上高さ回帰という2つの部分に分解することで,車線検出タスクに対する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2023-09-19T11:24:14Z)
• Sampling is Matter: Point-guided 3D Human Mesh Reconstruction [0.0]
  本稿では,1枚のRGB画像から3次元メッシュ再構成を行うための簡易かつ強力な手法を提案する。 評価実験の結果,提案手法は3次元メッシュ再構成の性能を効率よく向上することが示された。
  論文  参考訳（メタデータ） (2023-04-19T08:45:26Z)
• Reconstruct from Top View: A 3D Lane Detection Approach based on Geometry Structure Prior [19.1954119672487]
  本研究では,2次元から3次元のレーン再構成プロセスの下での幾何学的構造を利用して,単分子式3次元レーン検出問題に対する高度なアプローチを提案する。 まず, 3次元車線と地上2次元車線との形状を解析し, 先行構造に基づく明示的な監督を提案する。 第2に、2次元レーン表現における構造損失を低減するため、フロントビュー画像からトップビューレーン情報を直接抽出する。
  論文  参考訳（メタデータ） (2022-06-21T04:03:03Z)
• GeoNet++: Iterative Geometric Neural Network with Edge-Aware Refinement for Joint Depth and Surface Normal Estimation [204.13451624763735]
  本研究では,エッジアウェア・リファインメント(GeoNet++)を用いた幾何ニューラルネットワークを提案し,単一の画像から深さと表面正規写像の両方を共同で予測する。 geonet++は、強い3d一貫性と鋭い境界を持つ深さと表面の正常を効果的に予測する。 画素単位の誤差/精度を評価することに焦点を当てた現在の測定値とは対照的に、3DGMは予測深度が高品質な3D表面の正常を再構築できるかどうかを測定する。
  論文  参考訳（メタデータ） (2020-12-13T06:48:01Z)
• Gen-LaneNet: A Generalized and Scalable Approach for 3D Lane Detection [6.385728262904713]
  Gen-LaneNetは、画像符号化、特徴の空間変換、単一ネットワークでの3次元レーン予測を統一したフレームワークである。 3D-LaneNetと比較して、提案されているGen-LaneNetは、現実世界のアプリケーションで堅牢なソリューションを実現するために必要な3Dレーンラベルの量を劇的に削減する。
  論文  参考訳（メタデータ） (2020-03-24T04:52:06Z)
• PUGeo-Net: A Geometry-centric Network for 3D Point Cloud Upsampling [103.09504572409449]
  PUGeo-Netと呼ばれる新しいディープニューラルネットワークを用いた一様高密度点雲を生成する手法を提案する。 その幾何学中心の性質のおかげで、PUGeo-Netはシャープな特徴を持つCADモデルとリッチな幾何学的詳細を持つスキャンされたモデルの両方でうまく機能する。
  論文  参考訳（メタデータ） (2020-02-24T14:13:29Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。