arXiv cs.AI· Kiet Dang Vu, Cao Le Minh Khoa, Nguyen Viet Tri Pham, An Nguyen Gia, Tam Le Thuc Ho, Duc Dung Nguyen·· 10 小时前AI 评分22
MonoLaDN：用语言引导去噪提升单目 3D 目标检测
MonoLaDN: Language-Guided DeNoising for Monocular 3D Object Detection
AI 导读
MonoLaDN 提出语言引导去噪框架，将冻结 VLM 对物体遮挡、深度、尺寸和角度的结构化推理编码为查询并加噪，让纯视觉单目 3D 检测器在训练中重建干净推理，从而内化 VLM 的几何先验。推理阶段丢弃该推理路径，部署模型不增加延迟或参数。在 KITTI 3D 和 nuScenes 上，MonoLaDN 持续优于 SOTA 检测器并具备良好跨域泛化能力，论文已被 ACCV 2026 接收。
正文 · AI 翻译
摘要：单目 3D 目标检测为 3D 感知提供了一条低成本路径，但由于深度必须从单一视角推断，该问题本质上仍是不适定的。近期基于 transformer 的检测器仅从图像特征和 3D 框标注中学习几何信息，缺乏视觉语言模型（VLM）从大规模预训练中获得的高层语义先验。VLM 能提供此类先验，但由于其推理成本高昂，直接将其部署为检测器并不现实。我们提出 MonoLaDN，一种语言引导的去噪框架，可将 VLM 的几何推理能力迁移到单目 3D 检测器中，同时使部署模型保持纯视觉架构。在训练期间，一个冻结的 VLM 根据图像及其真实框，对每个目标的遮挡、深度、尺寸和角度生成结构化推理。我们将该推理编码为查询，用噪声对其进行扰动，并训练检测器重建干净的推理。重建被破坏的推理迫使检测器的深度引导特征内化 VLM 的几何先验，因此即使在推理阶段丢弃推理路径，这些知识仍然可用，且不会给部署模型增加任何延迟或参数。在 KITTI 3D 和 nuScenes 上的实验表明，MonoLaDN 始终优于最先进的检测器，并能很好地泛化到新领域。
| 评论： | 已被 ACCV 2026 接收 |
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2611.06282 [cs.CV] |
| （或 arXiv:2611.06282v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.06282 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Kiet Dang Vu [查看电子邮件]
[v1]
2026 年 11 月 4 日星期三 10:22:16 UTC（45,665 KB）
来源：arXiv cs.AI · arxiv.org