自動運転/レーン検出2026/3/1arXiv:2603.26018

GeoReFormer: レーンセグメント検出とトポロジー推論のための幾何認識リファインメント

GeoReFormer: Geometry-Aware Refinement for Lane Segment Detection and Topology Reasoning

トランスフォーマーベースの3Dレーンセグメント検出とトポロジー推論において、幾何学的・トポロジー的な帰納バイアスをデコーダに組み込んだ統一アーキテクチャGeoReFormerを提案し、OpenLane-V2ベンチマークでSOTA性能を達成した。

詳しい要約

1. どんなもの？

- 3D lane segment detectionとtopology reasoningを統合したオンラインマップ構築のためのTransformerベース手法。 - query-based set predictionとして定式化し、geometry- and topology-aware inductive biasesをdecoderに埋め込む。 - 具体的には、data-driven geometric priorsによるquery初期化、bounded coordinate-space refinement、per-query gated topology propagationを導入。 - OpenLane-V2 benchmarkでstate-of-the-artの34.5% mAPを達成。

2. 先行研究と比べてどこがすごい？

- 従来のTransformerベース手法は、compact object detection用のdecoder設計をほぼ継承し、lane segmentsの連続的なpolylineやdirected graph構造を明示的にエンコードしていなかった。 - GeoReFormerは、geometry- and topology-aware inductive biasesをdecoderに直接組み込むことで、この問題に対処。 - 結果として、強いTransformerベースラインと比較してtopology consistencyを改善し、34.5% mAPでstate-of-the-artを達成。

3. 技術・手法の肝は？

- 統一されたquery-based architectureを採用。 - 主な要素は3つ： - data-driven geometric priors for structured query initialization - bounded coordinate-space refinement for stable polyline deformation - per-query gated topology propagation to selectively integrate relational context - これらにより、geometryとtopologyの構造を明示的にエンコード。

4. どうやって有効だと検証した？

- OpenLane-V2 benchmarkで評価。 - 34.5% mAPを達成し、state-of-the-art performanceを実現。 - 強いTransformerベースラインと比較してtopology consistencyが改善。 - これにより、明示的なgeometric and relational structure encodingの有用性を実証。

5. 議論はある？

- 要旨からは不明。

6. 次に読むべき論文は？

- 要旨で参照/比較されている研究：Transformerベースのlane segment detection and topology reasoning手法（具体的な論文名は要旨に記載なし）。 - 関連手法：query-based set prediction、compact object detection用decoder設計。 - 同分野の定番：OpenLane-V2 benchmarkを用いたlane detection/topology reasoning研究。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Danny Abraham, Nikhil Kamalkumar Advani, Arun Das, Nikil Dutt

分類: cs.CV, cs.RO

原文アブストラクト

Accurate 3D lane segment detection and topology reasoning are critical for structured online map construction in autonomous driving. Recent transformer-based approaches formulate this task as query-based set prediction, yet largely inherit decoder designs originally developed for compact object detection. However, lane segments are continuous polylines embedded in directed graphs, and generic query initialization and unconstrained refinement do not explicitly encode this geometric and relational structure. We propose GeoReFormer (Geometry-aware Refinement Transformer), a unified query-based architecture that embeds geometry- and topology-aware inductive biases directly within the transformer decoder. GeoReFormer introduces data-driven geometric priors for structured query initialization, bounded coordinate-space refinement for stable polyline deformation, and per-query gated topology propagation to selectively integrate relational context. On the OpenLane-V2 benchmark, GeoReFormer achieves state-of-the-art performance with 34.5% mAP while improving topology consistency over strong transformer baselines, demonstrating the utility of explicit geometric and relational structure encoding.

arXivで原文を読む →arXiv概要ページ

← 論文一覧