Jun, 2022

结构幻化变压器级联的极限平面图重构

PDF
TL;DR本文介绍一项极端平面图重建任务，提出了一种神经架构作为解决方案；研究结果表明，该方案通过使用卷积神经网络和 Transformer 将输入的部分平面图编码为一组潜在向量，并通过级联 Transformer 解码器重建整个平面图，包括看不见的房间和门等隐含的建筑结构；该方法在 701 个房屋的基准测试中比现有的重建技术表现更优，且作者将与公众分享算法代码、模型和数据等信息。
发现论文，激发创造
  • 连接点：使用双层查询进行平面图重建

    该研究主要讨论了如何使用 Transformer Architecture 来解决 2D 平面图的重建问题，并通过多个数据集的实验证明了其在各方面的优越性。

    Nov, 2022

  • FloorNet: 三维扫描的平面图重建统一框架

    本研究旨在通过智能手机，利用深度神经网络技术重建室内地图，提出了线上勘测算法 FloorNet 核心思路，即将 RGBD 流图像数据分别经过三个大的神经网络模块来提取特征并同时考虑 3D 与 2D 空间信息，这种方法能够有效提高室内平面图的重建准确性。

    Mar, 2018

  • 端到端图约束矢量平面图生成与全景细化

    本文提出了一种基于向量序列而非图片格式生成楼层平面图的方法，并详细介绍了一个基于图卷积网络这一新颖框架的二阶段流程，最终在实际数据集上取得了最佳的表现。

    Jul, 2022

  • 深度级联双网络用于人脸超分辨率重建

    该论文提出了一种新的框架来幻想姿态不受限、分辨率非常低的面部图像，并在统一的框架内交替优化两个互补的任务，即面部幻象和密集对应场估计，并提出一种新的门控深度双向神经网络以恢复不同层次的纹理细节，广泛的实验证明这种表述方式在低分辨率、有显著姿势和光照变化的野外低分辨率面孔上具有例外的幻象质量。

    Jul, 2016

  • PanoContext-Former：基于 Transformer 的全景场景理解

    本文提出了一种使用深度先验的方法，从单个全景图中同时复原物体形状、定向边界框和三维房间布局，为了充分利用丰富的上下文信息，设计了一个基于 transformer 的上下文模块来预测场景各组成部分之间的表示和关系。实验表明，我们的方法在布局估计和三维物体检测方面优于先前的全景场景理解方法。同时，本文还引入了一个包括照片逼真的全景图、高保真深度图、精确注释的房间布局和定向物体边界框和形状的真实世界数据集。

    May, 2023

  • LGT-Net：基于几何感知变换网络的室内全景房间布局估计

    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

  • Plan2Scene：将平面图转换为 3D 场景

    该论文介绍了 Plan2Scene 任务，旨在将一个住宅的平面图和一组相关的照片转换成有纹理的三维网格模型，解决了从一部分不对齐的照片中提取主要表面材质的挑战，并通过用户研究得出表现优异的结果。

    Jun, 2021

  • 使用带有房间边界引导的注意力的多任务网络进行深度平面图识别

    本文提出了一种利用深度神经网络进行多任务学习的方法，设计了一种可以识别平面图中各种元素的模型，并使用空间上下文模块中的房间边界引导注意力机制，以增强模型的准确率。

    Aug, 2019

  • HEAT: 用于结构化重构的全面边缘注意转换器

    本文提出了基于注意力机制的神经网络，能够将二维光栅图像重构为描述基础几何结构的平面图，并通过端到端的方式检测角点和分类角点之间的边缘候选项。实验结果表明，本方法在室外建筑构建和室内平面图重建等结构化重建任务上优于现有方法。

    Nov, 2021

  • 利用几何和深度学习从全景图像创建布局

    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