该文提出了一种新算法，利用 2D 平面图对全景 RGBD 扫描进行校准，该算法可以大幅减少所需扫描数，并在五个大型室内空间上进行了评估。这是第一个利用 2D 平面图进行大型室内三维点云重建的有效系统，提出的算法使用多模态图像对应线索 (在扫描和平面图之间)，并避免了固有的堆叠偏差

Dec, 2016

本文介绍了 SPVLoc，一种全球室内定位方法，能够准确确定查询图像的六维（6D）相机姿态，无需过多的现场特定先验知识和训练，采用了一种新颖的匹配过程，在室内环境的一组全景语义布局表示中定位了透视相机的视口，这些全景图由未贴图的 3D 参考模型渲染而成，仅包含关于房间形状的大致结构信息以及门窗标注。通过一个直接的卷积网络结构，我们展示了成功实现了图像到全景图以及图像到模型的匹配。通过视口分类得分，我们对参考全景图进行排名并选择最佳匹配的查询图像。然后，我们估计所选全景图与查询图像之间的六维相对姿态。我们的实验表明，这种方法不仅有效地弥合了领域差距，而且对先前未见过的训练数据之外的场景具有很好的泛化性能。此外，它在定位准确度上也比现有方法更优越，并且能估计更多自由度的相机姿态。我们将在此 https URL 上公开发布我们的源代码。

Apr, 2024

本文提出了一种新的自动化平面图重建方法，该方法由名为 Floor-SP 的优化问题构成，其中每个房间的坐标下降顺序地解决动态规划以优化楼层图结构，该方法不需要阈值的角点 / 边缘检测，重点在数据项上，引导深度神经网络生成建筑物模型，并通过一系列一致性和模型复杂度项来优化。评估结果表明，该方法比当前最先进的方法具有显著的性能改进

Aug, 2019

我们提出了一种使用地面平面图先验来对齐部分 3D 重建的新方法，此方法不需要特征匹配，可以应用于大型或无特征场景的重建，并且在各种大小和复杂度的真实和合成场景上进行了量化和定性验证，显示了其卓越的效力和准确性。

Dec, 2018

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

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

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

本文提出了一种新的基于深度学习的方法，用于估计给定一对 360 全景图的房间布局，并使用称为 PSMNet 的系统，其中包含一个端到端的联合布局 - 姿态估计器，能够显著优于现有的布局估计器，特别是在大型和复杂的房间空间中。

Mar, 2022

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