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
本研究旨在通过智能手机，利用深度神经网络技术重建室内地图，提出了线上勘测算法 FloorNet 核心思路，即将 RGBD 流图像数据分别经过三个大的神经网络模块来提取特征并同时考虑 3D 与 2D 空间信息，这种方法能够有效提高室内平面图的重建准确性。
Mar, 2018
我们提出了一个不依赖于典型框近似或曼哈顿世界假设的房间布局估计方法，将几何推断问题重新定义为实例检测任务，通过使用R-CNN直接回归3D平面来解决该问题，然后使用一种概率聚类的变体来结合每个视频序列中的每帧回归的3D平面及其相应的相机姿态，并得到一个单个的全局3D房间布局估计结果；最后，我们展示了在不假设垂直对准的情况下处理任何对齐的墙壁的结果。
May, 2019
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
本文提出了一种新的方法，从嘈杂的三维点云数据中重建楼层平面图，主要贡献是引入了蒙特卡罗树搜索（MCTS）算法，能够最大化合适的目标函数，有效地解决了这一复杂问题，还通过优化多边形房间提案的形状，结合密度图输出了准确的向量化平面图。
Mar, 2021
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
本文提出了一种基于向量序列而非图片格式生成楼层平面图的方法，并详细介绍了一个基于图卷积网络这一新颖框架的二阶段流程，最终在实际数据集上取得了最佳的表现。
Jul, 2022
通过扩散模型生成向量楼层平面图是我们提出的新方法，使用Transformer架构和二维坐标的离散和连续去噪处理生成图形门窗等元素并在 RPLAN 数据集上得到了显著的改进
Nov, 2022
该研究主要讨论了如何使用Transformer Architecture来解决2D平面图的重建问题，并通过多个数据集的实验证明了其在各方面的优越性。
介绍了一种名为FRI-Net的新方法，用于从3D点云中重建2D楼层平面图。该方法通过使用基于房间的隐式表示和结构正则化来表征楼层平面图中房间的形状，提高了房间多边形的几何规则性。在Structured3D和SceneCAD两个具有挑战性的数据集上进行了实验，与最先进的方法相比表现出更好的性能，验证了所提出的楼层平面图表示方法的有效性。
Jul, 2024