IM2CAD
本文提出了一种从单个全景图像中估计房间几何和物体三维姿态的方法,该方法组合了曲面法向估计、二维物体检测和三维物体姿态估计等多种技术,并以贝叶斯推断的方式实现了估计。作者在合成的 3D 房间数据集和 SUN360 数据集的手工标注子集上进行了定量实验。
Sep, 2016
该文研究了基于数据驱动的方法对 3D 家具模型和室内场景进行着色,并使用互联网上的室内图像进行引导。使用图像引导网格分割将模型分成不同的部分,以提高着色效果,并以马尔可夫随机场模型实现一致的着色方案。实验结果表明,该系统可以产生与室内设计师生成的结果相媲美且具有说服力的结果。
Feb, 2017
提出了 FurniScene,该数据集包含 11698 个房间和 39691 个唯一的家具 CAD 模型,用于室内场景生成的评估基准,同时介绍了一种新的 Two-Stage Diffusion Scene Model(TSDSM)用于细粒度的室内场景布局生成,定量和定性评估表明了我们方法在生成高度逼真的室内场景方面的能力。
Jan, 2024
本研究提供了一份可扩展性强、真实感更强、规模更大、变异性更强、且在训练和评估深度学习方法、基准测试同时定位和映射(SLAM)方面有更广泛用途的数据集,以支持计算机视觉领域的研究。我们使用数百万个专业室内设计和制作级家具资产进行高分辨率和高帧率视频序列渲染,并支持各种摄像头类型以及惯性测量。同时,我们展示了稀疏和密集 SLAM 算法的基准测试结果。
Sep, 2018
本文提出一种用于 360 度图像的条件场景装饰方法,通过开发 360 度感知的物体布局生成器和生成对抗网络,实现对输入场景的各种家具布局生成,并通过用户研究证实了生成结果中的逼真图像质量和家具布局提供的沉浸式体验。
Jul, 2023
使用深度传感器在房间中捕获对象的 3D 模型,采用基于深度强化学习的学习式 ICP 方法对 CAD 模型进行对齐,优于先前文献中的 ICP 方法,能够在实际场景中实现高质量结果的对象对齐。
Dec, 2018
本文提出一种新的方法,通过联合优化 CAD 模型对齐以及场景布局的估计,显式建模物体间及物体与布局之间的相互关系,通过引入 Hierarchical layout prediction 方法和 message-passing graph neural network 模型,实现了全局一致的场景 CAD-based 表示,实验结果表明相比现有算法准确率显著提高,对于增强现实或虚拟现实等内容创建等应用具有广泛的适用性。
Mar, 2020
本文提出了一种名为 PhotoScene 的框架,可以基于输入图像及与之大致对齐的 CAD 几何形态数据(自动重建或手动指定),构建具有高质量材质和相似照明的逼真数字孪生体。该框架采用过程材料图模型建模场景材料,可以优化图参数和纹理比例、旋转,以及场景光照度以最佳匹配输入图像。文中还对该技术进行了评估,并展示了该方法对于来自 ScanNet、SUN RGB-D 和证券照片的对象和布局重建可以重渲染出高质量、可完全照明的 3D 场景。
Jul, 2022
该论文介绍了 Plan2Scene 任务,旨在将一个住宅的平面图和一组相关的照片转换成有纹理的三维网格模型,解决了从一部分不对齐的照片中提取主要表面材质的挑战,并通过用户研究得出表现优异的结果。
Jun, 2021