Atlanta Scaled layouts from non-central panoramas

要約

この研究では、非中央取得システムを使用して屋内環境の 3D レイアウトを復元するための新しいアプローチを紹介します。
中心以外のパノラマから、完全なスケールの 3D ラインは、幾何学やスケールの仮定を必要とせずに、幾何学推論によって独立して復元できます。
しかし、ノイズや複雑な幾何学的モデリングに敏感なため、これらのパノラマはほとんど調査されていません。
私たちの新しいパイプラインは、ニューラル ネットワークを使用して屋内環境の構造線の境界を抽出し、新しい幾何学的処理で非中心投影システムの特性を利用してスケーリングされた 3D レイアウトを復元することを目的としています。
私たちの実験の結果は、非中心投影システムにおけるレイアウト再構築とライン抽出のための最先端の方法を改善したことを示しています。
マンハッタンとアトランタ環境の問題を完全に解決し、オクルージョンを処理し、追加の測定を行わずに部屋のメートルスケールを取得します。
著者の知識に関する限り、私たちのアプローチは、中心以外のパノラマで深層学習を使用し、単一のパノラマからスケーリングされたレイアウトを復元する最初の研究です。

要約(オリジナル)

In this work we present a novel approach for 3D layout recovery of indoor environments using a non-central acquisition system. From a non-central panorama, full and scaled 3D lines can be independently recovered by geometry reasoning without geometric nor scale assumptions. However, their sensitivity to noise and complex geometric modeling has led these panoramas being little investigated. Our new pipeline aims to extract the boundaries of the structural lines of an indoor environment with a neural network and exploit the properties of non-central projection systems in a new geometrical processing to recover an scaled 3D layout. The results of our experiments show that we improve state-of-the-art methods for layout reconstruction and line extraction in non-central projection systems. We completely solve the problem in Manhattan and Atlanta environments, handling occlusions and retrieving the metric scale of the room without extra measurements. As far as the authors knowledge goes, our approach is the first work using deep learning on non-central panoramas and recovering scaled layouts from single panoramas.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google