该论文的研究重点为从单目 RGB 图像中估算房间布局，采用端到端可训练的编码 - 解码网络 RoomNet 直接估算有序的房间布局关键点，实现了与最新工作相比 200-600 倍的加速和最新的性能。

Mar, 2017

本文提出了基于最新的三维室内布局估计模型的训练和后处理方法，实验结果显示我们的方法在预测可见室内布局方面比现有方法大幅优越，并在 2020 年全面场景结构与 3D 视觉研讨会获得了第三名。

Sep, 2020

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

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

该论文提出一种基于单张图片的室内布局重建方法，使用卷积神经网络和几何推理技术检测平面和垂直线条之间的关系，以及优化 3D 平面参数来实现几何一致的室内布局重建，并在现有公开数据集上进行了实验验证。

Apr, 2021

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

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

通过 2D 分割遮罩提出一种新颖的方法，能够直接推导出 3D 结构元素的平面方程和空间范围，并将相邻元素在适当的接触边缘处连接，最终在 RealEstate10k 数据集上公开释放 2266 个高质量的 3D 房间布局标注。

Jun, 2023

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