引言
3D 目标检测是自动驾驶感知的核心任务，其结果直接影响后续的路径规划和安全关键决策。与相机等光学传感器相比，毫米波雷达对光照变化和恶劣天气条件更具鲁棒性，非常适合长距离感知，使其在复杂的交通环境中具有很高的价值 (Dong, Xu, Lyu, Zhao, Zheng, 2026, Li, Luo, Yang, 2023, Li, Li, Gao, Gao, Wu, Liu, 2025b, Wang, Ren, Zhu, Huang, Gu, Niu, 2026)。近年来，4D 成像雷达通过结合高度信息和径向速度测量扩展了传统雷达。它可以感知物体的 3D 空间位置和运动状态，从而为动态场景理解提供更丰富的感知线索 (Liu et al., 2023c)。
与传统激光雷达相比，4D 雷达为自动驾驶感知提供了互补的优势。如图 1 所示，它为运动感知提供了多普勒速度测量，支持长距离感知，并且对不利的光照和天气条件不那么敏感。凭借这些特性，4D 雷达已成为自动驾驶 3D 感知的重要研究方向 (Lin, Liu, Xia, Wang, Wang, Qi, Dong, Dong, Zhang, Zhu, 2024, Zheng, Li, Tan, Yang, Chen, Huang, Bai, Zhu, Ma, 2023)。
然而，直接将 4D 雷达应用于 3D 目标检测仍然具有挑战性。由于雷达成像机制的固有局限性，4D 雷达点云通常高度稀疏且分布不均匀，并且经常伴随着背景杂波和孤立噪声点 (Bi, Weng, Tong, Fan, Eichberge, 2025a, Zhong, Xiang, Xu, Fu, Xu, Wang, Yang, Pu, Liu, 2025)。这个问题在长距离和小目标场景中变得更加严重，物体可能只包含少数几个有效点，而背景区域可能包含大量无关的反射。因此，检测模型需要从极其有限的目标点中恢复判别性表示，同时抑制复杂背景的干扰 (Musiat et al., 2024)。
现有研究主要关注全局特征增强、局部去噪或提案细化，而对点级前景特征的显式建模关注相对不足 (Chen, Zhang, Wang, Wang, Zhao, 2023, Li, Zhou, Chen, Yu, Du, Zou, 2025a)。大多数现有方法将雷达点云编码为统一的整体，缺乏区分前景和背景点的早期阶段机制。因此，在特征构建期间，与目标相关的响应很难突出，特别是在稀疏和杂波的雷达场景中。
前景建模已在图像分割等领域得到广泛探索，其中与物体相关的区域被明确地与无关背景区分开来，以提高特征判别力 (Lei, Wu, Lv, Wang, 2025, Zhang, Deng, Wang, Du, Liu, Li, Ye, 2025)。对于 4D 雷达点云，微弱的前景响应和复杂的背景杂波之间的不平衡自然引发了对显式前景建模的需求。通过预先识别高价值点，可以更有效地抑制无关干扰 (Zhang et al., 2024)。
为了解决上述问题，本文将前景背景区分机制引入 4D 雷达 3D 目标检测，并提出了一种用于稀疏雷达场景的前景引导双分支学习框架。所提出的方法从原始雷达点云中挖掘点级前景线索，并使用它们指导跨分支特征融合和提案级关键点细化。通过这种方式，所提出的框架形成了一个从点级前景选择到特征级选择性融合，再到提案级几何约束的统一优化流程。
主要贡献总结如下：
- •
我们提出了一种用于 4D 雷达 3D 目标检测的前景引导双分支学习框架。通过将显式的前景背景区分引入检测流程，所提出的框架提高了稀疏雷达场景中的目标表示。
- •
我们设计了一种基于可微学习的查询生成器和一种前景引导门控跨分支融合模块。前者通过建模局部密度和运动一致性生成前景线索，而后者指导跨分支特征交互以关注潜在目标区域。
- •
在提案阶段，我们引入了一种基于圆柱几何约束的前景优先关键点选择策略。该策略增强了与目标相关区域的表示，并减少了来自背景杂波和噪声点的干扰。
- •
在 VoD 和 TJ4DRadSet 上的实验表明，所提出的纯雷达方法在与基于雷达的以及几种雷达 - 相机融合方法相比时取得了具有竞争力的准确率，同时保持了实时效率。
