摘要
多模态3D物体检测能够充分利用相机图像与LiDAR点云的互补优势。然而，现有的体素-像素融合方法通常依赖较为粗糙的跨模态交互，这限制了精细的结构建模能力，且在处理小型、对安全性要求较高的物体时性能较差。为解决这一问题，我们提出了ETA-SDQF这一基于边缘纹理感知的语义双查询融合框架，旨在提升对车辆、骑行者和行人的3D感知能力。该方法首先引入基于离散小波变换的边缘纹理感知图像骨干网络（ETAIB），以此优化多尺度精细图像特征的表示能力；接着设计了一个双查询引导的注意力融合模块（DQGAF），该模块利用可变形注意力机制，在语义信息与边缘纹理信息的共同引导下，自适应地整合不同尺度的体素对齐图像特征；最后，采用受PV-RCNN启发的混合3D特征学习策略，将基于体素的特征学习与PointNet风格的特征抽象相结合，用于处理融合后的特征。这样的设计提升了富含图像语义的体素特征的应用效率，从而有助于生成更可靠的3D物体检测结果。在KITTI数据集上的实验结果表明，所提出的框架相较于现有基准方法具有更好的性能，它在行人及骑行者检测方面表现持续优异，同时在不同难度级别的车辆检测中也保持较强竞争力，尤其在处理复杂的KITTI测试样本时展现出显著优势。
