ReManNet: 単眼3D車線検出のリーマン多様体ネットワーク

要約：単眼3D車線検出は深度の曖昧さと弱い幾何学的制約のため依然として困難です。主流の手法は深度ガイダンス、BEV投影、アンカー型または曲線ベースのヘッドを用い、簡略化された物理的仮定の下で高次元の画像特徴を再マッピングしつつ、道路の幾何を弱くしか符号化していません。車線と下地の路面との間に不変の幾何学的・トポロジー的結合が欠如しているため、2Dから3Dへのリフトは適切ではなく脆く、しばしば凹み、膨らみ、ねじれへと退化します。これに対処するために、Road-Manifold Assumption（道路多様体仮説）を提案します：道路は \mathbb{R}^3 にある滑らかな 2D 多様体であり、車線は埋め込まれた 1D のサブ多様体であり、サンプリングされた車線点は密な観測であり、したがって表面・曲線・点集合に跨る計量性と位相を結びつけます。これを踏まえて、ReManNet を提案します。まず画像バックボーンと検出ヘッドで初期の車線予測を出力し、次に幾何を対称正定値（SPD）多様体上のリーマン高斯記述子として符号化し、これらの記述子を視覚特徴と軽量ゲートを介して融合し、一貫した3D推論を維持します。私たちはまた、3D トンネル車線 IoU（3D-TLIoU）損失、各車線に沿った管状近傍のスライスごとの重なりを計算する点-曲線の結合目的関数を提案し、形状レベルの整合性を向上させます。標準ベンチマークでの広範な実験は、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ています。OpenLane では、ベースラインより F1 を +8.2%、前回の最高値よりも +1.8% 向上させ、シナリオレベルのゲインは最大で +6.6% となります。コードは https://github.com/changehome717/ReManNet にて公開されます。