CVPRApr, 2024

通过双布局估计消除 360° 房间布局的模糊性

PDF
TL;DR本研究提出了一种新颖的双布局（Bi-Layout）模型，能够准确预测两种不同的布局类型，解决了布局注释中固有的不确定性带来的挑战。通过引入全局上下文嵌入和特征引导模块，该模型能够获取上下文信息并生成布局感知特征，从而检测和消除模糊的区域。在基准数据集上，该方法优于现有方法，特别是在具有显著不确定性的子集中，将 3D IoU 从 81.70% 改善到 82.57%，从 54.80% 提高到 59.97%。
360° room layout estimation modelsbi-layout modellayout annotationsambiguous regionsbenchmark datasets
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 通过正交平面分离和多视角几何一致性感知进行 360 布局估计

    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

  • 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

  • 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

  • 使用渲染比较实现从单一视角获取的一般三维室内布局

    本文提出一种解决单视角条件下房间（墙壁，地板，天花板）的三维布局重建问题的新方法，使用离群点检测和优化方法，在处理布局中的遮挡时提高了重建的准确性，同时创建了扫描网数据集以便对方法进行数量化评价。

    Jan, 2020

  • 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