ICCVMar, 2017

RoomNet: 端到端的房间布局估计

PDF
TL;DR该论文的研究重点为从单目 RGB 图像中估算房间布局，采用端到端可训练的编码 - 解码网络 RoomNet 直接估算有序的房间布局关键点，实现了与最新工作相比 200-600 倍的加速和最新的性能。
room layoutmonocular rgb imagesemantic segmentationoptimizationencoder-decoder network
发现论文，激发创造
  • 智能假设生成用于高效和鲁棒的房间布局估计

    该研究提出了一种新方法，通过单个单目 RGB 图像高效估计房间的空间布局，基于语义分割构建了一个鲁棒的、准确的和高效的假设和测试方案，用于估计房间的角落和布局。

    Oct, 2019

  • LayoutNet：从单个 RGB 图像重建三维房间布局

    该研究提出了一种算法，可以从单张全景图像中预测房间布局，不仅适用于全景图像和透视图像，也适用于长方体布局和更一般的布局形式，方法采用基于消失点的图像对齐，预测多个布局元素，并将结果拟合为受限制的曼哈顿布局，速度和准确率都达到了现有全景图像相关算法的较好水平，并可以处理长方体形状和更一般的曼哈顿布局。

    Mar, 2018

  • LED2-Net：基于可微深度渲染的单目 360 布局估计

    本文提出一种 360 布局估计的方法，采用可微分的深度渲染程序进行 3D 重建，从而达到对布局进行 3D 重建的目的，并取得了最新的性能表现。

    Apr, 2021

  • 室内环境布局估计的边缘语义学习策略

    本文提出了一种全新的基于编码 - 解码网络的室内场景分类方法，该方法可以充分利用室内场景的边缘和语义信息，实现 2D 室内场景的准确估计，其在基准数据集上取得了最佳表现。

    Jan, 2019

  • 超越曼哈顿世界假设的三维房间布局估计

    本文提出了基于最新的三维室内布局估计模型的训练和后处理方法，实验结果显示我们的方法在预测可见室内布局方面比现有方法大幅优越，并在 2020 年全面场景结构与 3D 视觉研讨会获得了第三名。

    Sep, 2020

  • DuLa-Net: 一种从单个 RGB 全景图估计房间布局的双投影网络

    本篇研究论文介绍了一个名为 DuLa-Net 的深度学习框架，可从单个 RGB 全景图中预测曼哈顿世界 3D 房间布局，该方法利用全景视图和俯视图的两个投影来提高预测精度，以及一个新颖的特征融合结构用于连接这两个分支，并进行联合训练来预测 2D 楼层平面图和布局高度，实验结果表明，在预测精度和性能方面，尤其是具有非长方体布局的房间，我们的方法优于最新的最先进技术。同时我们引入了 Realtor360 数据集，其中包含了曼哈顿世界房间布局的全景图像。

    Nov, 2018

  • 利用单个 360 度图像对曼哈顿房间布局进行重建：现有技术方法的比较研究

    该论文总结和描述了从 360 全景图中预测布局的常见框架、变体和设计决策所产生的影响，同时提出了 Matterport3D 数据集的扩展注释和两个基于深度的评估指标。

    Oct, 2019

  • 从单个 RGB 图像学习重建非长方体房间布局的 3D 模型

    该论文提出一种基于单张图片的室内布局重建方法，使用卷积神经网络和几何推理技术检测平面和垂直线条之间的关系，以及优化 3D 平面参数来实现几何一致的室内布局重建，并在现有公开数据集上进行了实验验证。

    Apr, 2021

  • 使用渲染比较实现从单一视角获取的一般三维室内布局

    本文提出一种解决单视角条件下房间（墙壁，地板，天花板）的三维布局重建问题的新方法，使用离群点检测和优化方法，在处理布局中的遮挡时提高了重建的准确性，同时创建了扫描网数据集以便对方法进行数量化评价。

    Jan, 2020

  • 从 2D 注释中估算一般的三维房间结构

    通过 2D 分割遮罩提出一种新颖的方法，能够直接推导出 3D 结构元素的平面方程和空间范围，并将相邻元素在适当的接触边缘处连接，最终在 RealEstate10k 数据集上公开释放 2266 个高质量的 3D 房间布局标注。

    Jun, 2023