Jan, 2024

来自非中心全景图的亚特兰大缩放布局

PDF
TL;DR使用非中心采集系统的新方法，结合神经网络提取室内环境的结构线，并通过新的几何处理方法恢复放缩的三维布局。通过实验证明，该方法改进了非中心投影系统中布局重建和线条提取的方法，可以解决曼哈顿和亚特兰大环境中的问题，处理遮挡并恢复房间的度量尺度，而无需额外测量。据作者所知，这是首个在非中心全景图上使用深度学习从单个全景图中恢复放缩布局的工作。
3d layout recoverynon-central acquisition systemneural networkstructural linesdeep learning
发现论文，激发创造
  • 缩放 360 布局：重新审视非中心全景

    使用单个非中心全景图，通过几何推理从室内环境中恢复 3D 布局，利用深度学习提取结构线的边界并利用非中心投影系统的特性进行新的几何处理以恢复比例尺，解决了曼哈顿环境和亚特兰大环境的遮挡问题，改进了现有的单幅全景图的 3D 布局恢复方法，是第一个使用深度学习进行非中心全景图及其布局比例尺恢复的研究。

    Feb, 2024

  • 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

  • 全几何全景定位

    介绍了一种利用 2D-3D 线条几何的轻量级而准确的定位方法，通过全景视图来定位，避免了训练或手工制作视觉描述符，提取线条关系中的主导方向和非平行线条的交点等以表达独特而紧凑的空间上下文，其结果表示与传统视觉描述符方法相比，处理时间和内存上更加高效；验证了该方法在具有相似结构、领域转变或光照变化的挑战性场景中的定位效果；由于是完全几何的方法，无需进行庞大的参数调整或神经网络训练，因此具有实际应用价值，可以直接部署在实际世界中。

    Mar, 2024

  • 非中心全景室内数据集

    首次提出了用于室内场景理解的非中心全景数据集，包含 2574 个 RGB 非中心全景图像，每个图像都有深度图和注释，以获取室内空间的布局和相机姿态。

    Jan, 2024

  • OmniLayout: 室内球形全景图的房间布局重建

    本文提出了使用球形卷积，设计了一个名为 OmniLayout 的网络，该网络直接在球面表面上进行卷积，并使用新的评估指标证明了该网络可以有效地解决全景图像中局部扭曲的问题，最终在两个基准数据集上的表现也优于其他同类网络。

    Apr, 2021

  • LayoutNet：从单个 RGB 图像重建三维房间布局

    该研究提出了一种算法，可以从单张全景图像中预测房间布局，不仅适用于全景图像和透视图像，也适用于长方体布局和更一般的布局形式，方法采用基于消失点的图像对齐，预测多个布局元素，并将结果拟合为受限制的曼哈顿布局，速度和准确率都达到了现有全景图像相关算法的较好水平，并可以处理长方体形状和更一般的曼哈顿布局。

    Mar, 2018

  • 利用单个 360 度图像对曼哈顿房间布局进行重建：现有技术方法的比较研究

    该论文总结和描述了从 360 全景图中预测布局的常见框架、变体和设计决策所产生的影响，同时提出了 Matterport3D 数据集的扩展注释和两个基于深度的评估指标。

    Oct, 2019

  • SSLayout360：基于 360 度全景图的半监督室内布局估计

    该研究探索了半监督学习和三维室内布局重建的交叉领域，提出了使用标记和未标记数据学习房间角和边界表示的方法，利用 360 度全景场景实现了改进的室内布局估计。实验结果表明，该方法同样精准，仅需使用 12％的标记数据。这项工作是实现使用有限标记数据进行三维感知的强大半监督布局估计的重要第一步。

    Mar, 2021

  • 基于交叉尺度扭曲感知的室内全景房间布局估计中分离正交平面

    该研究提出了一种基于分离正交平面、软翻转融合策略、特征组装机制和三重注意力的室内布局估计方法，通过实验表明其在四个基准测试中具有优越性能。

    Mar, 2023

  • 基于测地线的单次拍摄长方体：从球形全景图中端到端曼哈顿对齐布局估计

    本研究利用直接坐标回归和面向数据的方法，通过引入拟曼哈顿约束条件实现了全屋布局的单次估计，并且提出了几何热图和边界感知质心计算等技术，进行了高质量关键点估计。

    Feb, 2021