西北工业大学 StereoMV2D 突破 3D 物体检测深度难题，精度与效率兼得

西北工业大学 StereoMV2D 突破 3D 物体检测深度难题，精度与效率兼得

论文标题：StereoMV2D: A Sparse Temporal Stereo-Enhanced Framework for Robust Multi-View 3D Object Detection

作者团队：西北工业大学、苏州科技大学

发布时间：2025 年 12 月 19 日

论文链接：

大模型实验室 Lab4AI 论文阅读

✔️ 研究背景

多视图 3D 物体检测需在检测精度和计算效率间取得平衡。稀疏查询基方法（如 MV2D）通过 2D 检测结果初始化 3D 查询，提供了高效的端到端检测范式，但单帧 2D 检测存在深度模糊问题，导致 3D 查询初始化不准确。

现有融合时序立体建模的方法多依赖密集代价体构建，引入大量计算与内存开销，难以兼容稀疏查询类方法的高效特性，形成研究缺口。

✔️ 研究内容

针对单帧 2D 检测的深度模糊缺陷，以及现有时序立体建模方法计算开销大的问题，本研究旨在提出一种统一框架，将时序立体建模融入稀疏查询检测范式，在保持稀疏查询类方法高效性的同时，增强深度感知能力，提升多视图 3D 目标检测的精度与鲁棒性，实现精度与效率的良好平衡。

✔️ 核心思想

1️⃣ 匹配同一物体

汽车运动、场景变化时，系统需在前一帧与当前帧图像中匹配同一物体。
论文采用 “运动感知软匹配” 模块，结合物体外观与运动趋势，建立跨帧关联。

2️⃣ 物体区域内算深度

匹配到同一物体的跨帧图像后，StereoMV2D 仅在物体对应的感兴趣区域（RoI）内开展精细立体计算，减少计算量；通过对比物体在两帧图像中的细微位移，精准计算其真实距离。

3️⃣ 智能筛选有效信息

针对现实场景中物体新出现或被遮挡的动态情况，论文设计动态置信门控机制，自动判定采用立体测量结果，还是回退至单帧图像的推测结果。