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

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

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

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

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

本文提出了一种单目视觉里程计算法，它结合了基于几何方法和深度学习的思想，并利用两个卷积神经网络进行深度估计和光流估计。在 KITTI 数据集上的实验表明，该算法具有较强的鲁棒性和良好的性能。

Sep, 2019

本文提出了一种新的方法，将三维点云映射到三维生成对抗网络的潜在空间。我们的生成模型基于 SP-GAN，它是一种最先进的球引导三维点云生成器。我们提出了一种有效的编码方式，可将输入的三维点云编码到 SP-GAN 的潜在空间中。我们的对点云编码器可以解决反演过程中的点排序问题，从而确定生成的三维点云中的点与生成器使用的规范球中的点之间的对应关系。我们展示了我们的方法在三维点云的 GAN 反演上优于以前的方法，定量和定性地获得了最先进的结果。我们的代码可在此 https URL 上获得。

Nov, 2022

利用先验的垂直方向，我们解决了估计曼哈顿框架（即三个正交消失点）和相机的未知焦距的问题。通过对最小线配置的详尽分析，我们得出了两个新的 2 线解算器，其中一个不会受到影响现有解算器的奇异性的影响。此外，我们设计了一种新的非最小方法，在任意数量的线上运行以增强局部优化的性能。通过在混合鲁棒估计器中组合所有解算器，我们的方法即使在粗略的先验条件下也能实现更高的准确性。在合成和实际数据集上的实验证明了我们方法相对于最先进技术的卓越准确性，同时具有可比较的运行时间。我们进一步证明了我们解算器在相对旋转估计中的适用性。

Aug, 2023

本研究基于车辆的单一 RGB 图像，提出了一种学习框架，其将 3D 视角的特征表示与 2D 外观特征相结合进行车辆识别，通过在 BoxCars 数据集上的分类和验证任务中取得优越性能的结果验证了该方法的有效性。

Mar, 2019