本文提出了一种基于联想嵌入的两阶段方法，旨在从单个图像中同时分割平面实例并恢复三维平面参数，并且可以检测任意数量的平面，并且该方法可实现 30 fps 的运行速度，因此适用于实时应用，例如视觉 SLAM 和人机交互。

Feb, 2019

PlanarRecon 是一种基于神经网络的新框架，通过在视频中逐渐检测 3D 平面，实现了对场景的全局连贯检测与重构，并在 ScanNet 数据集上取得了最新的最优性能。

Jun, 2022

本文提出了一种名为 PlaneMVS 的新型框架，用于从具有已知相机姿态的多个输入视图中重建 3D 平面。采用多视角几何的 MVS 流水线将平面重建解耦，采用倾斜平面假设来取代传统深度假设并最终学习像素级平面参数及其平面深度图。通过大量室内数据集的实验表明，PlaneMVS 在平面检测和 3D 几何度量上显著优于最先进的单视角平面重建方法。

Mar, 2022

本研究提出了一种使用深度神经网络 (DNN) 从单个 RGB 图像重建分段平面深度图的方法，该方法可以直接从单个 RGB 图像学习一组平面参数和相应的分割掩码，并且在评估中表现出比基准方法更好的平面分割和深度估计精度。该方法是第一个可以从单个 RGB 图像进行分段平面重建的端到端神经网络结构。

Apr, 2018

本文提出了一种用于从有限重叠的图像重建场景平面表面的方法，并介绍了一种新的基于 transformer 的简化方法，PlaneFormer，它是通过对 3D 感知平面记号应用变换器来进行 3D 推理。实验表明，本文的方法比之前的方法更加有效。

Aug, 2022

整合 3D 平面恢复的各个子任务，利用 Transformer 模型构建了一个统一框架，实现了单张图片的平面恢复，并在公共数据集 ScanNet 和 NYUv2-Plane 上取得了最新的性能表现。

Jul, 2023

本论文提出一种称为 PlaneRCNN 的深度神经结构，可以从单个 RGB 图像检测和重构分段平面曲面，并且在基准测试中表现明显优于现有最先进的方法，具有重要的机器人学、增强现实和虚拟现实应用价值。

Dec, 2018

本文提出一种新方法，通过预测多视角一致的平面嵌入来辅助几何方法，将点进行聚类成平面，从而解决了在场景中估计平面表面的问题，并在 ScanNetV2 数据集上表明，该方法优于现有方法和强基线的平面估计任务。

Jun, 2024

本文提出一种基于多平面图像（MPI）表示的新方法来合成野外照片的新视角，结合深度估计和颜色填充技术，通过多平面图像表示解决具有复杂 3D 几何的场景，使用大规模立体训练数据并经过实验验证达到最新成果。

May, 2022

本文提出了一种基于水平面和垂直面的 360 度室内全景图像近似场景的方法，并使用具有地面真实数据的数据集进行了测试，结果表明本文的方法在室内全景图像处理中具有更好的性能。

Jun, 2021