Jun, 2018

利用几何和深度学习从全景图像创建布局

PDF
TL;DR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。
3d layout recoveryindoor scenes360 degrees panoramic imagesdeep learninggeometry
发现论文，激发创造
  • 缩放 360 布局：重新审视非中心全景

    使用单个非中心全景图，通过几何推理从室内环境中恢复 3D 布局，利用深度学习提取结构线的边界并利用非中心投影系统的特性进行新的几何处理以恢复比例尺，解决了曼哈顿环境和亚特兰大环境的遮挡问题，改进了现有的单幅全景图的 3D 布局恢复方法，是第一个使用深度学习进行非中心全景图及其布局比例尺恢复的研究。

    Feb, 2024

  • 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

  • SSLayout360：基于 360 度全景图的半监督室内布局估计

    该研究探索了半监督学习和三维室内布局重建的交叉领域，提出了使用标记和未标记数据学习房间角和边界表示的方法，利用 360 度全景场景实现了改进的室内布局估计。实验结果表明，该方法同样精准，仅需使用 12％的标记数据。这项工作是实现使用有限标记数据进行三维感知的强大半监督布局估计的重要第一步。

    Mar, 2021

  • 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

  • OmniLayout: 室内球形全景图的房间布局重建

    本文提出了使用球形卷积，设计了一个名为 OmniLayout 的网络，该网络直接在球面表面上进行卷积，并使用新的评估指标证明了该网络可以有效地解决全景图像中局部扭曲的问题，最终在两个基准数据集上的表现也优于其他同类网络。

    Apr, 2021

  • 从单张全景图像中还原室内布局

    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

  • 基于深度曼哈顿霍夫变换的全景图立方体贴图室内三维布局估计

    通过学习可学习的 Hough Transform block 来实现将图像特征从 cubemap tile 转换为曼哈顿世界的 Hough 空间，并直接将特征映射到几何输出，从而预测 3D 空间中的墙壁。

    Jul, 2022

  • Shape-Net: 利用知识蒸馏和 3D 形状作为额外输入的全景图像鲁棒遮挡房间布局估计

    该论文提出了一种名为 Shape-Net 的方法，通过将 2D 全景和 3D 信息提供给模型，引入 3D IoU 损失来解决遮挡问题，同时通过从同时利用图像和 3D 信息训练的模型中提取知识来解决实际情况下缺乏建筑图纸的问题。该模型是基于现有模型进行改良，实现了对房间布局的精确估算，同时能够有效处理具有遮挡的情况。

    Apr, 2023

  • 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

  • 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