WidthFormer: 高效基于 Transformer 的 BEV 视角转换
内容提要
本文综述BEV感知在自动驾驶中的进展：BEVFormer以时空Transformer实现统一BEV表示，达56.9%最新水平；VoxelFormer改进特征生成；FusionFormer融合多模态与时域特征，达72.6% mAP；HeightFormer显式建模高度；BEVENet纯卷积架构提速3倍；BEVNeXt在nuScenes测试集达64.2 NDS；OCBEV提升动态目标检测。
延伸解读
BEV感知的演进脉络
文章梳理了从BEVFormer到OCBEV的多项工作，呈现BEV感知在自动驾驶中的快速迭代。BEVFormer以时空Transformer统一BEV表示，后续VoxelFormer改进特征生成，FusionFormer融合多模态与时域特征，HeightFormer显式建模高度，BEVENet回归纯卷积提速，BEVNeXt与OCBEV进一步优化检测。这些工作分别从特征生成、模态融合、高度建模、效率与动态目标等角度推进，反映出该领域正从单一架构创新转向多维度协同优化。
性能与效率的权衡
文中给出的数据揭示了不同路线的取舍：FusionFormer在nuScenes上达到72.6% mAP和75.1% NDS，BEVNeXt在测试集取得64.2 NDS，而BEVENet以纯卷积架构实现比当代最先进方法快3倍的推断速度，达47.6 FPS，验证集mAP为0.456、NDS为0.555。可见高精度方案多依赖Transformer与多模态融合，而BEVENet则强调实际部署的可行性，读者需根据场景在精度与实时性之间权衡。
动态目标与训练效率的改进
OCBEV针对动态场景中移动目标的时间和空间线索进行更有效建模，在nuScenes上比传统BEVFormer提高1.5个NDS点，并具有更快的收敛速度和更少的训练迭代次数。这表明BEV感知的优化不仅体现在最终精度，也体现在训练效率上。对于需要快速迭代或资源受限的研发团队，收敛速度与训练成本同样是值得关注的指标，而不仅是榜单上的分数。
仍需关注的局限与条件
文章提到BEVFormer在低能见度条件下显著提高了速度估计和对象召回的准确性，但多数方法的效果仍以nuScenes基准为主要验证场景。不同工作在mAP、NDS、FPS等指标上的对比并非完全同条件，读者不宜直接横向等同。此外，HeightFormer强调无需额外数据即可估计高度，BEVENet则针对ViT模型的局限性提出卷积替代，这些设计选择各有适用边界，实际落地时需结合传感器配置与算力条件评估。
Q&A
BEVFormer 在 nuScenes 测试集上达到了什么水平？
BEVFormer 在 nuScenes 测试集上达到了 56.9% 的最新技术水平，并且在低能见度条件下显著提高了速度估计和对象召回的准确性。
FusionFormer 是如何融合多模态和时域特征的？
FusionFormer 通过 transformers 混合多模态特征来获取鸟瞰图特征，并利用深度预测分支提高相机检测性能；同时提出一种基于 transformers 的即插即用时域融合模块，用于融合历史帧鸟瞰图特征，实现更稳定可靠的检测结果。
BEVENet 相比其他 BEV 方法在效率上有什么优势？
BEVENet 采用仅卷积的架构设计，克服了 ViT 模型的局限性，在 NuScenes 挑战赛中比当代最先进方法快 3 倍，推断速度达到 47.6 帧每秒，同时在 NuScenes 验证数据集上获得 0.456 的 mAP 和 0.555 的 NDS。
HeightFormer 如何实现在 BEV 空间中建模高度？
HeightFormer 通过显式地在鸟瞰视角空间中建模高度的方式，准确估计鸟瞰视角中的高度，而无需使用额外数据。基准结果显示，与仅使用相机的方法相比，其性能达到了最先进水平。
BEVNeXt 在 nuScenes 测试集上取得了什么成绩？
BEVNeXt 在 nuScenes 测试集上实现了 64.2 NDS 的最新结果，并在不同设置下优于 BEV 基础和查询基础框架。
OCBEV 相比 BEVFormer 有哪些改进？
OCBEV 是一种以对象为中心的查询-BEV检测器，能更有效地针对动态场景中移动目标的时间和空间线索。在 nuScenes 数据集上，它比传统的 BEVFormer 提高了 1.5 个 NDS 点，并具有更快的收敛速度和更少的训练迭代次数。
