PriorMaskMap: Robust Online Vectorized Map Construction with Biased Priors

📄 arXiv: 2610.39283v1 📥 PDF

作者: Haoming Xu, Wei Li, Yu Hu

分类: cs.CV, cs.RO

发布日期: 2026-10-29

备注: Accept by ECCV2026

DOI: 10.1007/978-3-032-37242-0_22

🔗 代码/项目: GITHUB

💡 一句话要点

提出PriorMaskMap以解决在线向量化地图构建中的先验偏差问题

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 向量化地图 先验地图 鲁棒性 自动驾驶 深度学习 计算机视觉 环境理解

📋 核心要点

  1. 现有方法在处理先验地图时，通常假设其完全可靠，导致在先验信息不准确时性能显著下降。
  2. 本文提出PriorMaskMap框架，通过Prior-Aware Confidence Estimator (PACE)评估输入地图的可靠性，从而引导后续的地图构建过程。
  3. 在nuScenes数据集上的评估结果显示，PriorMaskMap在映射精度上优于现有方法，并在处理含有错误的先验时表现出更强的鲁棒性。

📝 摘要（中文）

在线向量化地图构建为自主车辆提供了实时的语义和几何场景理解。尽管利用先验地图可以提高准确性，但由于信息过时或临时道路变化，先验往往存在偏差。现有方法通常将先验视为完全可靠，或仅考虑有限的噪声模式，因此在先验不完美时性能严重下降。为此，本文提出了PriorMaskMap，一个基于先验引导的鲁棒向量化地图构建框架。其创新之处在于Prior-Aware Confidence Estimator (PACE)，能够评估输入的光栅化地图与当前视觉观察的匹配程度，并为不同区域分配置信度分数，从而指导后续的处理分支。实验结果表明，PriorMaskMap在nuScenes数据集上实现了优于现有方法的映射精度，并在面对明显错误的先验时展现出显著的鲁棒性。

🔬 方法详解

问题定义：本文旨在解决在线向量化地图构建中由于先验地图偏差导致的性能下降问题。现有方法通常将先验视为完全可靠，未能有效应对先验信息的不准确性。

核心思路：PriorMaskMap通过引入Prior-Aware Confidence Estimator (PACE)来评估输入地图的可靠性，并根据评估结果引导后续的地图构建过程，从而提高整体鲁棒性和准确性。

技术框架：PriorMaskMap的整体架构包括三个主要模块：首先是PACE模块，用于评估输入地图的置信度；其次是Dual-Prior Query Generator (DPQG)，用于从可信的地图结构中生成信息丰富的查询；最后是Confidence-Guided Prior Fusion (CGPF)模块，负责融合BEV特征与先验地图。

关键创新：最重要的技术创新在于PACE模块，它能够动态评估输入地图的可靠性，并为后续处理提供指导。这一设计使得PriorMaskMap能够在面对不完美先验时仍保持较高的性能。

关键设计：在设计中，PACE模块通过对比当前视觉观察与输入地图，生成不同区域的置信度分数。此外，DPQG和CGPF模块的设计确保了信息的有效传播和融合，提升了最终地图的语义和几何表示能力。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在nuScenes数据集上的实验结果表明，PriorMaskMap在映射精度上超过了现有方法，具体表现为在面对含有明显错误的先验时，映射精度提升了XX%。这一结果展示了该方法在鲁棒性和准确性方面的显著优势。

🎯 应用场景

PriorMaskMap的研究成果在自动驾驶、机器人导航和智能交通系统等领域具有广泛的应用潜力。通过提高地图构建的准确性和鲁棒性，该方法能够为自主系统提供更可靠的环境理解，进而提升其决策能力和安全性。未来，该技术可能推动更复杂环境下的自主导航和实时地图更新。

📄 摘要（原文）

Online vectorized map construction provides autonomous vehicles with essential, real-time semantic and geometric scene understanding. While leveraging prior maps presents an opportunity to improve accuracy, they are often biased due to outdated information or temporary road changes. Existing methods, which typically treat priors as fully reliable or only consider limited noise patterns, suffer severe performance degradation when these priors are imperfect. To address this, we propose PriorMaskMap, a robust framework for prior-guided vectorized map construction. Its first innovation is a Prior-Aware Confidence Estimator (PACE) that evaluates the input rasterized map against current visual observations. It assigns confidence scores to regions classified as reliable, erroneous, or blank, creating a foundational mask that guides two subsequent branches. In one branch, the Dual-Prior Query Generator (DPQG) selectively filters and embeds both rasterized and vectorized priors to initialize informative queries from trustworthy map structures. In the other, the Confidence-Guided Prior Fusion (CGPF) module spatially propagates and refines the mask, using the refined version to govern the fusion of BEV features with the prior map, thereby providing rich contextual representations for the map decoder. Evaluation on the nuScenes dataset shows that PriorMaskMap achieves superior mapping precision over existing approaches and exhibits marked robustness when provided with priors containing apparent errors. Our code is released at https://github.com/healenrens/PriorMaskMap.