HIMap: HybrId Representation Learning for End-to-end Vectorized HD Map Construction

本文介绍了一个名为HIMap的简单而有效的混合框架，以充分学习和交互点级和元素级信息，以构建矢量化的高清地图。当前最先进的方法主要基于点级表示学习，以回归准确的点坐标，但是这种方法在获取元素级信息和处理元素级失败方面存在局限性。为了解决这些问题，作者提出了一个名为HIQuery的混合表示形式，用于表示所有地图元素，并提出了一个点-元素交互器来交互地提取和编码元素的混合信息，例如点位置和元素形状，到HIQuery中。此外，作者提出了一个点-元素一致性约束来增强点级和元素级信息之间的一致性。最终，输出的点-元素集成HIQuery可以直接转换为地图元素的类别、点坐标和掩模。作者在nuScenes和Argoverse2数据集上进行了广泛的实验，并在两个数据集上始终优于以前的方法。值得注意的是，在nuScenes数据集上，作者的方法实现了77.8的mAP，比以前的SOTAs至少高出8.3。

论文提出了一个名为HIMap的框架，旨在解决基于点级表示学习的高清地图构建方法在获取元素级信息和处理元素级失败方面存在的局限性。该框架的目标是在学习和交互点级和元素级信息方面具有充分的能力。

该框架引入了一种名为HIQuery的混合表示形式来表示所有地图元素，并提出了一种点-元素交互器来交互地提取和编码元素的混合信息。同时，提出了点-元素一致性约束来增强点级和元素级信息之间的一致性。

论文在nuScenes和Argoverse2数据集上进行了广泛的实验，并在两个数据集上均表现出色。论文提出的方法在nuScenes数据集上取得了77.8 mAP的成绩，比之前的SOTA高出至少8.3 mAP。此外，论文还开源了代码。

在类似的领域中，也有一些相关研究，例如《PointPainting: Sequential Fusion for 3D Object Detection》、《Multi-Task Learning for Autonomous Vehicles with Visual Reasoning》等。