LSSInst：利用实例表示改进基于 LSS 的 BEV 感知中的几何建模

基于摘要分析。本文研究自动驾驶中仅使用相机的 3D 目标检测，提出两阶段检测器 LSSInst，将 Bird-Eye-View（BEV，鸟瞰图）表示与实例表示串联，以补偿基于 lift-splat-shoot（LSS）的视图变换在压缩表示时损失的目标几何细节。 核心机制：LSS 根据预测的深度分布构建视锥并形成 BEV 表示，适合学习道路结构和场景布局；但为保持计算效率而进行的分辨率及轴向压缩，会削弱个体目标细节的保留。LSSInst 引入细粒度像素级特征与多视角几何约束，并设计 instance adaptor，使 BEV 到实例表示的转换保持语义一致，而非直接传递候选目标。摘要未说明该适配器的具体结构、损失形式、训练流程及两阶段之间的详细交互。 作者报告，在大规模 nuScenes benchmark 上，该框架能够提升现有 LSS-based BEV 感知方法的性能，并优于其比较范围内的 LSS-based 最先进方法；作者同时报告较强的泛化能力。摘要未提供具体指标、数值、数据划分、对照配置或计算开销，因此尚不能判断提升幅度、泛化所指的协议及效率代价。实验协议、消融及统计信息尚未验证。 本文的主要对象是多视角图像驱动的 3D 几何感知，其方法依赖深度分布与多视角几何结构。当前材料未建立这些机制与 EEG/BCI 数据之间的具体对应关系，因此不将其解释为已验证的神经信号建模方法，也不据此提出迁移复现实验；已有 EEG 相关工作尚未检索确认。