本文提出了一种在人工环境中检测水平消失点和天顶消失点的新方法，利用深度卷积网络提取全局图像上下文，并逆转现有方法的先后顺序，通过提出一组地平线候选者并针对其包含的消失点对其进行打分，而非先找到候选消失点再通过强制互相正交来消除异常值。我们在三个基准数据集上评估了我们的方法，并在每个数据集上均取得了最好的性能，同时我们的方法明显快于之前最好的方法。

Aug, 2016

通过训练卷积神经网络，我们针对自然场景中的路面图像进行了消失点预测，并与文献中经典的消失点检测方法进行了比较。结果显示，我们的方法能够更有效地预测消失点。

Sep, 2016

本文介绍了一种基于快速霍夫变换层的新型神经网络架构，将其应用于处理文档图像中的消失点检测问题，并使用 MIDV-500 数据集证明其强大的泛化能力。

Sep, 2019

提出了一种新的从非校准单目图像中检测消失点的方法，并使用卷积神经网络（CNN）基于从图像中检测到的线采用反面点投影的高斯球表示进行训练。该算法使用合成数据来训练，无需标记图像，达到了竞争性的性能，可用于其他用例。

Jul, 2017

通过注入先验知识，减少数据注释和计算并缓解域变化，提高数据效率，强健性，并适应非曼哈顿设置的深度消失点检测网络。

Mar, 2022

介绍了一种利用 2D-3D 线条几何的轻量级而准确的定位方法，通过全景视图来定位，避免了训练或手工制作视觉描述符，提取线条关系中的主导方向和非平行线条的交点等以表达独特而紧凑的空间上下文，其结果表示与传统视觉描述符方法相比，处理时间和内存上更加高效；验证了该方法在具有相似结构、领域转变或光照变化的挑战性场景中的定位效果；由于是完全几何的方法，无需进行庞大的参数调整或神经网络训练，因此具有实际应用价值，可以直接部署在实际世界中。

Mar, 2024

本文提出了基于几何启发式卷积算子的深度网络，以检测图像中的消失点，该算子在规范的圆锥空间内被实现为常规卷积，该方法显著提高了传统方法检测消失点的性能。

Oct, 2019

本文提出了一种快速、稳健的方法，利用包含地面水平线和垂直消失点等基础几何信息的单张图像进行透视矫正，并且使用合适的神经网络模型进行训练和预测，从而达到了全球最好的水平线检测性能（AUC 值为 74.52%）。该方法可以应用于实时视频透视矫正。

May, 2019

通过一系列新兴的基于语义和外观的技术，使用卷积特征图从一种状态到另一种状态的本地语义张量（LoST）表述，以及从语义上开采显着的关键点对应来实现高性能的地方识别。

Apr, 2018

本文提出了一种将已知场景的 Structure-from-Motion point cloud 转换成不易理解的 3D lines 的 'line cloud' 表示法，以保护用户生成内容的隐私，同时探讨了从这种表示法中恢复图像信息的方法，并通过实验证明了它的可行性。

Mar, 2021