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

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

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

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

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

本研究提出了一种基于全景图像的新颖的三维场景理解方法，通过设计基于图神经网络的上下文模型来预测物体之间的关系和房间布局，以及可微分的基于关系的优化模块来优化物体排列，实现对全景三维场景的理解， 并制备了具有多样化房间布局和家具摆放的真实感合成数据集，在几何精度和目标布置方面优于现有方法。

Aug, 2021

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

本研究提出了一种针对单个室内 360 度图像的平面感知卷积神经网络方法，可实现密集的深度和表面法向估计以及平面边界识别，此外，添加测地线坐标图作为网络先验可显著提高表面法向预测准确性，最终可以将网络的输出组合用于生成高质量的室内场景 3D 模型。

Jul, 2019

我们提出了一个不依赖于典型框近似或曼哈顿世界假设的房间布局估计方法，将几何推断问题重新定义为实例检测任务，通过使用 R-CNN 直接回归 3D 平面来解决该问题，然后使用一种概率聚类的变体来结合每个视频序列中的每帧回归的 3D 平面及其相应的相机姿态，并得到一个单个的全局 3D 房间布局估计结果；最后，我们展示了在不假设垂直对准的情况下处理任何对齐的墙壁的结果。

May, 2019