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

本文提出了一种基于学习的方法，用于自动提取混乱人造环境图像的线框表示，并构建了一个非常大的新数据集，并提出了两个适用于提取接头和直线的卷积神经网络，取得了明显优于现有方法的性能。

Jul, 2020

这篇论文通过使用 CNN 和 IP 算法，从单一 RGB 图像中推断出室外建筑物的 2D 平面图结构，取得了显著的结果，并提出了可供分享的代码和数据。

Dec, 2019

通过引入一个综合框架，该研究主要关注多边形几何图形的学习表示，特别是多重多边形，并采用异构可见性图来捕捉内部和多个多边形之间的关系，同时提出了一个旋转 - 平移不变的几何表示方式，并设计了适用于多重多边形的新型模型 Multipolygon-GNN。实验证明该模型能够获取多边形几何图形的相关表示。

Jun, 2024

采用基于多面体的图神经网络模型 PolyGNN 对点云进行 3D 建筑重建，通过多面体分解网络学习组合原语，通过图节点分类实现紧密、紧凑和弱语义重构。

Jul, 2023

该论文提出了一种快速和简约的解析方法，用于在输入图像中通过单个前向传递准确和稳健地检测矢量化线框。提出的方法是端到端可训练的，包括三个组件：线段和节点提议生成，线段和节点匹配以及线段和节点验证，成为 Holistically-Attracted Wireframe Parser

Mar, 2020

通过提出正交平面解缠网络 (DOPNet) 以分辨模糊语义和针对水平深度与比例的无监督自适应技术，本研究在全景布局估计和多视角布局估计任务中优于其他 SoTA 模型。

Dec, 2023

该论文提出了一种从单个图像中获取紧凑且精确的 3D 线框表示的方法，通过有效地利用全局结构规律，该方法训练卷积神经网络以同时检测显著的交叉点和直线，并预测它们的 3D 深度和消失点，并通过平行结构先验进一步重构完整的 3D 线框模型。

May, 2019

本文提出了一种简单有效的算法来检测给定图像中的线框，并直接输出包含语义方面有意义和几何上突出的交汇点和直线的向量化线框，此方法可以进行端到端的训练，相比以往的方法具有更好的表现。

May, 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