CLRNet 核心：三级跨层细化原理全解

做自动驾驶车道线检测的同学基本都绕不开 CLRNet，它相比 UFLD、SCNN 最大创新就是三级跨层细化（Cross-Layer Refinement）。传统车道检测只使用单一层特征预测车道，存在天然矛盾：高层特征（分辨率低）：全局语义强，能分清车道 / 护栏 / 道路，但坐标定位模糊，远处车道偏差极大；低层特征（分辨率高）：细节清晰，定位精准，但缺少全局语义，极易把路牌、护栏、裂缝误判成车道。CLRNet 提出渐进式跨层级优化方案：高层粗预测做全局先验，中层修正大幅偏移，底层微调像素级误差，三层特征层层传递车道先验、逐级细化坐标，完美兼顾全局语义与局部细节。三级跨层细化结构三层 FPN 特征：\(L_0\)（P5 高层）、\(L_1\)（P4 中层）、\(L_2\)（P3 底层），对应三级；三级细化阶段：\(R_0\)：\(L_0\)粗预测分支（InitHead）输出粗车道先验 \(P_0\)\(R_1\)：\(L_1\)中层细化分支，接收跨层输入\(P_0\)，输出修正后\(Refined\ P_0=P_1\)\(R_2\)：\(L_2\)底层精细分支，接收跨层输入\(P_1\)，输出最终车道\(Refined\ P_1=P_2\)红色虚线箭头 = 跨层核心操作：上层预测坐标传递给下层不同分辨率特征图，作为 ROI 采样基准；Head = 细化分支完整单元