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。

Jan, 2024

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

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

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

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

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

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

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

本文提出了一种从单个全景图像中估计房间几何和物体三维姿态的方法，该方法组合了曲面法向估计、二维物体检测和三维物体姿态估计等多种技术，并以贝叶斯推断的方式实现了估计。作者在合成的 3D 房间数据集和 SUN360 数据集的手工标注子集上进行了定量实验。

Sep, 2016

该论文提出一种基于单张图片的室内布局重建方法，使用卷积神经网络和几何推理技术检测平面和垂直线条之间的关系，以及优化 3D 平面参数来实现几何一致的室内布局重建，并在现有公开数据集上进行了实验验证。

Apr, 2021