摘要

本报告作为TaskPrompter的补充文档，详细介绍了其在基于Cityscapes-3D数据集构建的新一代2D-3D联合多任务学习基准上的实现。TaskPrompter提出了一种创新的多任务提示框架，统一建模（i）任务通用表征、（ii）任务特定表征以及（iii）跨任务交互关系，突破了以往方法将这些学习目标分离至不同网络模块的局限。该统一框架不仅显著降低了对精细经验性网络结构设计的依赖，还大幅提升了多任务网络的表征学习能力，因为整个模型容量得以同时优化上述三项核心目标。此外，TaskPrompter引入了一个基于Cityscapes-3D数据集的新型多任务基准，要求多任务模型能够同步完成单目3D车辆检测、语义分割以及单目深度估计的预测任务。这些任务对于实现视觉场景的联合2D-3D理解至关重要，尤其在自动驾驶系统的发展中具有关键意义。在该具有挑战性的基准上，我们的多任务模型在性能上显著优于现有的单任务最先进方法，并在极具挑战性的3D目标检测与深度估计任务上取得了新的最先进（SOTA）结果。