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

本文提出了一种新的检测算法，能够在多种干扰条件下保持高次像素精度，包括镜头畸变、极端姿态和噪声。该算法基于粗到细的策略，包含 X 型角检测网络和三种后处理技术，以及混合亚像素细化技术和改进的区域增长策略。实验证明，与其他常用方法相比，该算法具有更高的检测率、亚像素精度和鲁棒性。最后，相机标定和姿态估计实验也验证了其在定量比较中能够获得更小的重投影误差。

Jul, 2023

该论文提出了一种基于底层特征分离的新方法，将表格分解成单元格，通过单元格的组合确定表格位置，大幅提升了检测表格的效率和精度。

May, 2023

本文提出了一种基于 CNN 学习的阴影区域恢复框架，利用阴影边缘的本地结构和图像区域的复杂交互来计算阴影 / 明亮度量，进而通过最小二乘优化问题进行阴影恢复，实现了在不同条件下收集的主要阴影基准数据库上的最先进结果。

May, 2015

该论文提出了一种自下而上的模型，用于同时找到图像中的许多边界元素，包括轮廓、角落和交点，并使用广义 M 形交将每个小区域的边界形状进行解释。通过非凸优化，使用一种新颖的正则化器对每个位置的 M+2 个交点值进行协同查找，同时在保留角落和交点的同时减少曲率，从而强制施加空间一致性。整个过程是同时进行轮廓检测、角 / 交点检测和区域外观的边界感知平滑，而其对轮廓、角落、交点和均匀区域的统一分析使其在高噪声水平下成功，而其他分割和边界检测方法则失败。

Nov, 2020

本文提出了一种基于结构张量的新的直接边缘导向图像超分辨率算法，使用各像素的各向同性高斯滤波器计算结构张量，根据其特征值将像素分为统一区域、角落和边缘三个不同类别，通过结构张量切线特征向量，确定边缘方向并用于沿边缘插值，与部分以前的边缘导向图像插值方法相比，该方法在客观和主观方面都达到了更高的质量。此外，该算法不需要优化处理即可实现更高的速度。

Feb, 2014

该研究提出了一种从单个 RGB 图像中恢复三维形状结构的方法，包括由立方体表示的形状部件和涵盖连通性和对称性的部件关系，并通过卷积递归自编码器实现编码解码过程，最终通过对立体多边形层次结构的恢复实现了对单个视角二维图像的恢复。

Apr, 2018

通过使用两阶段的基于 Transformer 的网络，我们通过全局感知机制并利用注意力机制来解决细粒度边缘检测任务中的三个限制，在预测一般性边缘和细粒度边缘之间保持一致性，并在公开基准测试中取得了新的最先进结果。

Aug, 2023

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

本文提出了一种名为 RegProxy 的模型，通过 Transformer 实现了以区域为中心的上下文编码和预测，相比现有的方法在性能和效率上取得了更好的平衡。

Mar, 2022