SIGMA-Lane: Scale-pyramId Gated MAmba for Temporally Consistent Video Lane Detection

📄 arXiv: 2608.16338v1 📥 PDF

作者: Tiancheng Zhang, Mengmeng Wang, Yan Gao, Xiangjie Kong, Guojiang Shen, Jiaxin Du

分类: cs.CV, cs.AI

发布日期: 2026-08-17

备注: accepted by ECCV 2026

💡 一句话要点

提出SIGMA-Lane以解决视频车道检测中的时序一致性问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 视频车道检测 时序一致性 遮挡感知 状态空间模型 深度学习 智能交通 自动驾驶

📋 核心要点

  1. 现有的视频车道检测方法在严重遮挡情况下，时序线索容易被破坏，导致后续帧的预测不稳定。
  2. SIGMA-Lane通过在状态空间模型中引入遮挡感知门控，直接控制观测数据的状态更新，增强了时序一致性。
  3. 在VIL-100和OpenLane-V数据集上的实验表明，SIGMA-Lane在重度遮挡情况下的时序稳定性显著提升，F1和mIoU得分表现优异。

📝 摘要（中文）

视频车道检测需要在多个帧中保持预测的稳定性，但严重的车辆遮挡会破坏时序线索。现有的遮挡感知方法通常通过辅助输入提供障碍物掩码，导致状态更新路径间接受到保护。本文提出SIGMA-Lane，将这一失败模式视为状态空间模型（SSM）中的状态污染。SIGMA-Lane在SSM的写入和残差融合路径上设置了遮挡感知门控，控制当前观测如何进入时序记忆并在时序传播后融合。经过坐标一致的仿射对齐后，模型结合了两条互补路径：SSM一致的双门控用于时序过滤，结构空间检索（SSR）用于从对齐的历史先验中恢复缺失的车道结构。实验结果表明，在重度遮挡下，模型的时序稳定性有所提升，F1和mIoU得分具有竞争力。

🔬 方法详解

问题定义：本文旨在解决视频车道检测中因车辆遮挡导致的时序一致性问题。现有方法在处理遮挡时，状态更新路径受到间接保护，容易导致错误传播。

核心思路：SIGMA-Lane通过在状态空间模型中引入遮挡感知门控，直接控制当前观测如何进入时序记忆，从而减少状态污染，增强时序稳定性。

技术框架：SIGMA-Lane的整体架构包括两个主要模块：一是SSM一致的双门控用于时序过滤，二是结构空间检索（SSR）用于从对齐的历史先验中恢复缺失的车道结构。模型首先进行坐标一致的仿射对齐，然后结合这两条路径进行信息融合。

关键创新：SIGMA-Lane的主要创新在于将遮挡感知门控引入到状态空间模型中，直接控制信息的写入和融合过程，显著提高了时序一致性。这与传统方法的间接保护机制形成鲜明对比。

关键设计：模型设计中，门控机制的参数设置至关重要，确保在不同遮挡情况下能够有效调整信息流。此外，损失函数的设计也考虑了时序一致性和空间结构的恢复，以优化整体性能。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在VIL-100和OpenLane-V数据集上的实验结果显示，SIGMA-Lane在重度遮挡情况下的时序稳定性显著提升，F1得分和mIoU得分均表现出竞争力，具体提升幅度未知，表明该方法在实际应用中的有效性。

🎯 应用场景

SIGMA-Lane的研究成果在自动驾驶、智能交通系统等领域具有广泛的应用潜力。通过提高视频车道检测的时序一致性，该技术能够增强车辆导航和路径规划的准确性，进而提升交通安全性和效率。未来，该方法还可能扩展到其他动态场景的视觉理解任务中。

📄 摘要（原文）

Video lane detection requires predictions that remain stable across frames, yet severe vehicle occlusions can break temporal cues. In streaming recurrent models, corrupted observations may enter the hidden state and produce errors that persist into later frames. Existing occlusion-aware refinements usually provide obstacle masks as auxiliary inputs, so the state-update path is only indirectly protected. We propose SIGMA-Lane, which treats this failure mode as state contamination in State Space Model (SSM)-based temporal modeling. SIGMA-Lane places occlusion-aware gates on the SSM write and residual-fusion paths, controlling how current observations enter temporal memory and are fused back after temporal propagation. After coordinate-consistent affine alignment, the model combines two complementary paths: SSM-consistent dual-gating for temporal filtering and Structural Spatial Retrieval (SSR) for recovering missing lane structure from aligned historical priors. Experiments on VIL-100 and OpenLane-V show improved temporal stability under heavy occlusion, with competitive F1 and mIoU scores.