Accurate room layout estimation from multi-view panoramas with multi-label graph cut
Notice bibliographique
Résumé
Estimating room layout from panoramas is a new trend in the holistic reconstruction of the 3D environment. However, a single panorama is easily occluded by walls and furniture, making it hard to reconstruct the whole indoor room accurately and completely. Besides, deep learning room layout estimating methods often perform poorly in unseen scenes. To address this need, this paper proposes an accurate room layout estimation method from multi-view panoramas with multi-label graph cut. The proposed method takes full advantage of each panorama by utilizing multi-label graph cut. First, room layouts of each panorama are estimated with pre-trained deep-learning models and projected to the ground as the labels; then, a geometry-aware ray-casting method is utilized to obtain the initial floorplan; next, the initial floorplan is regularized by multi-label graph cut with the estimated labels from each panorama; in the end, the final layouts of each panorama is obtained by transforming the regularized floorplans and estimated ceiling heights into layouts with panorama geometry. Experiments in the recently released multi-view panoramas dataset show that the proposed method can regularize the initial floorplan to a floorplan with accurate geometry. Furthermore, the accuracy of the layouts surpassed the layout estimation accuracy of the single panorama deep learning models (HorizonNet and LGTNet) and the state-of-the-art self-training layout estimation models with multi-view panoramas by a large margin.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».