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

我们提出了一种新型的 FCN，能够与全向图像一起工作，输出精确的概率地图，表示室内场景的主要结构，能够适用于不同的数据。我们的方法处理遮挡，并且更准确地恢复了房间实际形状。我们不仅在 3D 模型精度方面优于现有技术，而且在速度方面也优于现有技术。

Aug, 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

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

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

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

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

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

本文提出了一种基于 360 度图片的端到端模型 CFL（Corners for Layout），用于恢复室内场景的三维布局，并通过使用 EquiConvs（一种直接应用于球体投影的卷积），放宽场景假设和降低成本，优于目前的现有方法，并且对相机位置变化具有良好的泛化性能。

Mar, 2019