CVPRApr, 2023

U2RLE: 基于不确定性引导的二阶段房间布局估计

PDF
TL;DR提出了一种新的基于深度学习的房间布局估计方法，引入了一种新的两阶段 CNN 体系结构，包括不确定性引导的定位边界估计和 处理视野内和视野外的边界，使用网络的不确定性和基于距离的损失函数精确提取边界，并在 ZInD 和 Structure 3D 数据集上获得比现有技术更好的表现。
发现论文，激发创造
  • RoomNet: 端到端的房间布局估计

    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

  • iBARLE：不平衡感知的房间布局估计

    iBARLE 是一个针对单个全景图的房间布局估计模型，通过包含外观变化生成模块、结构复杂度混合模块和基于梯度的布局目标函数，解决了数据集中的不平衡问题，并比其他基线模型具有领先的性能。

    Aug, 2023

  • LED2-Net：基于可微深度渲染的单目 360 布局估计

    本文提出一种 360 布局估计的方法，采用可微分的深度渲染程序进行 3D 重建，从而达到对布局进行 3D 重建的目的，并取得了最新的性能表现。

    Apr, 2021

  • 超越曼哈顿世界假设的三维房间布局估计

    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

  • 室内环境布局估计的边缘语义学习策略

    本文提出了一种全新的基于编码 - 解码网络的室内场景分类方法，该方法可以充分利用室内场景的边缘和语义信息，实现 2D 室内场景的准确估计，其在基准数据集上取得了最佳表现。

    Jan, 2019

  • UncLe-SLAM：面向稠密神经 SLAM 的不确定性学习

    本文提出了一种基于不确定性学习的密集神经同步定位与地图构建方法，并通过传感器不确定性估计在线框架对其进行了优化。相较于现有的神经模型，该方法在多传感器输入情况下可实现更优秀的地图构建和定位精度。

    Jun, 2023

  • 超越想象：生成无限制的三维房间布局

    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

  • 室内布局粗 - 精估计方法 (CFILE)

    本文提出一个新的室内场景空间布局估计方法（CFILE），包括粗略布局估计和精细布局定位两个阶段，其中使用全卷积神经网络（FCN）对室内场景进行粗略的全局布局估计，优化框架实现精细的布局细节优化，从而在两个基准数据集上取得了良好的估计结果。

    Jul, 2016

  • 智能假设生成用于高效和鲁棒的房间布局估计

    该研究提出了一种新方法，通过单个单目 RGB 图像高效估计房间的空间布局，基于语义分割构建了一个鲁棒的、准确的和高效的假设和测试方案，用于估计房间的角落和布局。

    Oct, 2019

  • 超越前沿：通过从平面图中学习，预测占用栅格中的未知墙壁

    在本文中，我们通过在 360 度 LIDAR 传感器的轨迹上整合占用栅格，预测部分观测环境的未见墙壁作为一组二维线段的挑战。我们通过在大学校园的一组随机采样路径之间导航虚拟机器人，收集了这种占用栅格及其相应目标墙壁段的数据集。我们将线段预测任务定义为自回归序列预测任务，并在数据集上训练了一个基于注意力的深度网络。这种基于序列的自回归形式通过预测的信息增益进行评估，表明相比于文献中的非预测估计和基于卷积的图像预测，有着显著的改进。我们还评估了关键组件的消融性能，以及传感器范围和占用栅格的度量面积。最后，在实际办公环境中实时重建的新颖楼层平面上验证了模型的普遍性。

    Jun, 2024