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

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

提出了一种新的从非校准单目图像中检测消失点的方法，并使用卷积神经网络（CNN）基于从图像中检测到的线采用反面点投影的高斯球表示进行训练。该算法使用合成数据来训练，无需标记图像，达到了竞争性的性能，可用于其他用例。

Jul, 2017

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

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

本文提出一种利用 Hough 变换将深度学习特征转换为参数化域进行线条检测的方法，可提取上下文特征并比现有方法的性能更优。

Mar, 2020

介绍了一种 HoughToRadon 变换层，旨在改善神经网络与 Hough 变换结合以解决语义图像分割问题的速度。实验证明，这种方法在文档分割任务中节省时间并实现了 97.7% 的准确率，优于计算复杂度更高的 HoughEncoder。

Feb, 2024

本文介绍一种基于投票的、一阶段的、无锚点的、自底向上的目标检测方法 HoughNet，它通过广义 Hough 变换在某个位置上的票数之和来确定目标的存在，并根据对数极坐标投票字段从近处和远处位置收集票数，从而集成近距离和远距离的分类条件证据以进行视觉识别，从而推广和增强当前的目标检测方法。在 COCO 数据集上，HoughNet 的最佳模型达到了 46.4 $AP$（和 65.1 $AP_{50}$），在自底向上的目标检测中表现与最先进的方法相当，并且在大多数主要的一阶段和两阶段方法中表现更好。我们进一步通过将 HoughNet 的投票模块集成到两个不同的 GAN 模型中并显示在两种情况下准确度显著提高来验证我们方法的有效性。

Jul, 2020

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

该论文提出了一个名为 VPGNet 的多任务神经网络模型，可以同时处理车道和路标检测和识别，在恶劣的天气条件下实现高效准确的检测，通过在消失点上的指引，能够在雨天、低照度和夜间等情况下成功地应对色彩畸变、光照反射等多种问题。

Oct, 2017