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

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

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

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

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

利用视域深度和房间高度可以在水平和垂直方向上获得全向几何感知，提出了一种平面几何感知损失函数，使用局部和全局几何关系的 SWF-Transformer 建立几何关系模型，以及相对位​​置嵌入增强空间识别能力，证明 LGT-Net 在基准数据集上比当前最先进技术表现更好。

Mar, 2022

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

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

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