本文提出了一种新的自动化平面图重建方法，该方法由名为 Floor-SP 的优化问题构成，其中每个房间的坐标下降顺序地解决动态规划以优化楼层图结构，该方法不需要阈值的角点 / 边缘检测，重点在数据项上，引导深度神经网络生成建筑物模型，并通过一系列一致性和模型复杂度项来优化。评估结果表明，该方法比当前最先进的方法具有显著的性能改进

Aug, 2019

本研究旨在通过智能手机，利用深度神经网络技术重建室内地图，提出了线上勘测算法 FloorNet 核心思路，即将 RGBD 流图像数据分别经过三个大的神经网络模块来提取特征并同时考虑 3D 与 2D 空间信息，这种方法能够有效提高室内平面图的重建准确性。

Mar, 2018

我们提出了一种高效的数据驱动的解决方案，用于楼层平面图的自我定位。该方法不需要每张地图和位置的重新训练，也不需要大量图片数据库。我们提出了一个由观测模块和新型时间滤波模块组成的新颖概率模型。我们的方法适用于传统消费硬件，并克服了其他方法常常需要直立图像的共同限制。我们的系统满足实时要求，并在性能上显著超过现有技术。

Mar, 2024

该论文提出了一种从单个全景图像中恢复室内场景的三维布局恢复新方法，该方法结合几何推理和深度学习技术，从而提取结构角并生成房间的布局模型，并在 SUN360 和 Stanford 公共数据集上进行实验。

Jun, 2018

本论文提出了一种名为 Im2Pano3D 的卷积神经网络，该网络可以仅基于部分观察（<=50%），即 RGB-D 图像，为室内全景视图生成 3D 结构的稠密预测和语义标签的概率分布，其利用大规模合成和实际环境内部场景中学习到的强大的语境先验来实现。

Dec, 2017

本文介绍 Matterport3D 数据集，包含 10,800 个全景视图，通过 RGB-D 图片提供了 90 个建筑尺度的场景的表面重建、相机姿态和 2D、3D 语义分割注释等，可用于多种计算机视觉任务，如关键点匹配、视图重叠预测、颜色预测等。

Sep, 2017

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

Scan2CAD 是一种数据驱动的方法，可以学习将形状数据库中的 3D CAD 模型对齐到商品 RGB-D 扫描的噪声和不完整几何形状中，其可用于室内场景的三维重建。该方法使用三维卷积神经网络来预测 CAD 模型与其对应扫描对象之间的对应关系，并通过变分能量最小化将 CAD 模型与重构对齐，其在 Scan2CAD 基准测试中表现优异。

Nov, 2018

我们提出了一种新的自动二维楼层平面重建系统，该系统利用我们的 SALVe 算法进行学习验证器。通过使用我们稀疏定位的 360° 全景图，以及从中推测出的语义特征（窗户，门和开口），我们的系统构建了房间的拓扑结构，并通过 HorizonNet 算法推断出楼层平面。经过定性和定量验证以及消融研究，我们的系统在完整性方面表现超过了现有的 SfM 系统 200％以上，而不牺牲准确性。

Jun, 2024

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