BEAM：用于多视角 3D 物体检测的 Beta 分布光线去噪
内容提要
该文综述多视角鸟瞰图（BEV）三维目标检测进展，涵盖BEVDepth、SparseBEV、IA-BEV、BEVDet、DG-BEV等方法，通过显式深度监督、稀疏查询、知识蒸馏与多任务学习提升性能，在nuScenes基准上NDS最高达67.3。
延伸解读
多视角BEV检测的技术演进
从2021年的BEVDet到2023年的SparseBEV，多视角BEV检测在两年内快速迭代。BEVDet通过数据增强和升级最大值抑制平衡精度与效率；BEVDepth引入显式深度监督，首次在nuScenes上突破60% NDS；SparseBEV则转向全稀疏设计，利用尺度自适应自注意力和自适应时空采样，在BEV空间和图像空间均超越稠密方法。这一脉络显示，深度估计的准确性和特征表示的稀疏化是推动性能提升的关键。
知识蒸馏与多任务学习的增益
文章提到，通过结构化知识蒸馏框架，学生模型在nuScenes上平均提升2.16 mAP和2.27 NDS；而多任务框架联合检测与全景分割，利用前景语义和中心密度热力图提示物体中心，最终达到67.3 NDS。这表明，除了改进网络结构，利用跨模态知识迁移和多任务监督也能显著提升多视角BEV检测性能，且这些方法可与现有模型结合，具有较好的通用性。
域泛化与部署友好性
DG-BEV通过单应性动态透视增强和对抗训练，减轻了目标域的性能下降；另一项工作通过视角校正将BEV特征渲染为多视图地图，纠正透视偏差，且无需额外推理成本和真实场景注释，便于模型集成和部署。这些方法关注实际应用中的域偏移和部署效率，对于推动多视角BEV检测落地具有重要意义。
Q&A
BEVDepth 在 nuScenes 上的 NDS 得分是多少？
BEVDepth 在 nuScenes 上实现了 60.9% 的 NDS，是首个 NDS 超过 60% 的相机模型。
SparseBEV 有哪些关键设计使其性能优于稠密检测器？
SparseBEV 通过尺度自适应自注意力、自适应时空采样和自适应混合等关键设计，在 BEV 空间和图像空间中实现了优于稠密对应物的性能。
IA-BEV 如何提升基于 BEV 的深度估计？
IA-BEV 将图像平面实例感知集成到基于 BEV 的深度估计过程中，增强单目深度生成的有效性，并鼓励模型在时间立体匹配中更关注具有挑战性的物体，从而提供高质量的 BEV 特征。
DG-BEV 采用了哪些策略来减轻目标领域的性能下降？
DG-BEV 通过将同态转换的测度深度预测转换为尺度不变深度，使用单应性进行动态透视增强以增加外参多样性，并通过多个伪域值修改对抗性训练损失来构建特征表示。
在 nuScenes 上达到 67.3 NDS 的方法是什么？
一种利用分割信息指导检测过程的多任务框架，联合执行三维物体检测和全景分割，基于单级 CenterPoint 网络，在 nuScenes 上取得了 67.3 NDS。
BEVDet 如何平衡精度和时间效率？
BEVDet 通过利用数据增强策略和升级最大值抑制策略，在精度和时间效率之间实现了出色的平衡。
