論文の概要: SALVe: Semantic Alignment Verification for Floorplan Reconstruction from Sparse Panoramas

• arxiv url: http://arxiv.org/abs/2406.19390v1
• Date: Thu, 27 Jun 2024 17:59:06 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-28 13:09:01.952698
• Title: SALVe: Semantic Alignment Verification for Floorplan Reconstruction from Sparse Panoramas
• Title（参考訳）: SALVe:スパースパノラマからのフロアプラン再建のための意味的アライメント検証
• Authors: John Lambert, Yuguang Li, Ivaylo Boyadzhiev, Lambert Wixson, Manjunath Narayana, Will Hutchcroft, James Hays, Frank Dellaert, Sing Bing Kang,
• Abstract要約: 自動2次元フロアプラン再構築システムを提案する。 SALVeは、新しいペアワイドアライメント検証器である。 現状のSfMシステムよりも200%以上性能が高いことを示す。
• 参考スコア（独自算出の注目度）: 29.23839061715128
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a new system for automatic 2D floorplan reconstruction that is enabled by SALVe, our novel pairwise learned alignment verifier. The inputs to our system are sparsely located 360$^\circ$ panoramas, whose semantic features (windows, doors, and openings) are inferred and used to hypothesize pairwise room adjacency or overlap. SALVe initializes a pose graph, which is subsequently optimized using GTSAM. Once the room poses are computed, room layouts are inferred using HorizonNet, and the floorplan is constructed by stitching the most confident layout boundaries. We validate our system qualitatively and quantitatively as well as through ablation studies, showing that it outperforms state-of-the-art SfM systems in completeness by over 200%, without sacrificing accuracy. Our results point to the significance of our work: poses of 81% of panoramas are localized in the first 2 connected components (CCs), and 89% in the first 3 CCs. Code and models are publicly available at https://github.com/zillow/salve.
• Abstract（参考訳）: 本稿では,SALVeによって実現された2次元フロアプランの自動再構築システムを提案する。 システムへの入力は,360$^\circ$ panoramas の少ない位置にあり,その意味的特徴(窓,ドア,開口部)を推定し,相互に部屋の隣接性や重複性を仮定する。 SALVeはポーズグラフを初期化し、その後GTSAMを使って最適化する。 部屋のポーズが計算されると、HorizonNetを使って部屋のレイアウトを推測し、最も信頼性の高いレイアウト境界を縫い合わせることでフロアプランを構築する。 その結果, 精度を犠牲にすることなく, 最先端のSfMシステムよりも200%以上性能が高いことがわかった。 81%のパノラマが第1の2連結成分(CC)に局在し,第1の3つのCCに89%が局在している。 コードとモデルはhttps://github.com/zillow/salve.comで公開されている。

関連論文リスト

• Hierarchical Temporal Context Learning for Camera-based Semantic Scene Completion [57.232688209606515]
  カメラによるセマンティックシーンの補完を改善するための,新たな時間的文脈学習パラダイムであるHTCLを提案する。 提案手法は,Semantic KITTIベンチマークで1st$をランク付けし,mIoUの点でLiDARベースの手法を超えている。
  論文  参考訳（メタデータ） (2024-07-02T09:11:17Z)
• Split-and-Fit: Learning B-Reps via Structure-Aware Voronoi Partitioning [50.684254969269546]
  本稿では,3次元CADモデルのバウンダリ表現(B-Reps)を取得する新しい手法を提案する。 各パーティション内に1つのプリミティブを導出するために空間分割を適用する。 我々のネットワークはニューラルなボロノイ図でNVD-Netと呼ばれ、訓練データからCADモデルのボロノイ分割を効果的に学習できることを示す。
  論文  参考訳（メタデータ） (2024-06-07T21:07:49Z)
• WSCLoc: Weakly-Supervised Sparse-View Camera Relocalization [42.85368902409545]
  WSCLocは、様々なディープラーニングベースの再ローカライゼーションモデルにカスタマイズできるシステムである。 最初の段階では、WSCLocはWFT-NeRFと呼ばれる多層パーセプトロン構造を用いて画像再構成の品質を最適化する。 第2段階では,事前学習したWFT-NeRFとWFT-Poseを併用する。
  論文  参考訳（メタデータ） (2024-03-22T15:15:44Z)
• LoLep: Single-View View Synthesis with Locally-Learned Planes and Self-Attention Occlusion Inference [66.45326873274908]
  本稿では,1枚のRGB画像から局所学習平面を回帰してシーンを正確に表現するLoLepを提案する。 MINEと比較して、LPIPSは4.8%-9.0%、RVは73.9%-83.5%である。
  論文  参考訳（メタデータ） (2023-07-23T03:38:55Z)
• Semantic Scene Completion with Cleaner Self [93.99441599791275]
  セマンティックシーンコンプリート(SSC)は、単一のビュー深さと/またはRGB 2Dピクセルの画像を3Dボクセルに変換し、それぞれのセマンティックラベルが予測される。 SSCは、予測モデルが目に見える表面の背後にあるものを「想像する」必要があるため、よく知られた偽装問題であり、通常はTrncated Signed Distance Function (TSDF) によって表される。 我々は3Dボクセルを用いて、TSDF-CADと呼ばれる完全な可視表面を生成し、次に「クリーン」なSSCモデルを訓練する。 モデルはノイズフリーなので、期待できる。
  論文  参考訳（メタデータ） (2023-03-17T13:50:18Z)
• Learning Where to Learn in Cross-View Self-Supervised Learning [54.14989750044489]
  自己教師付き学習(SSL)は大きな進歩を遂げ、教師付き学習との大きなギャップを狭めた。 現在の方法では、埋め込みにピクセルの統一的なアグリゲーションを採用する。 本稿では,特徴の空間情報を適応的に集約する学習方法であるLearning Where to Learn(LEWEL)を提案する。
  論文  参考訳（メタデータ） (2022-03-28T17:02:42Z)
• FD-SLAM: 3-D Reconstruction Using Features and Dense Matching [18.577229381683434]
  本稿では,高密度フレーム・モデル・オードメトリーを用いたRGB-D SLAMシステムを提案する。 マップ構築をさらに安定化させる3次元特徴に基づく学習ベースのループクロージャコンポーネントを組み込んだ。 このアプローチは、他のシステムがしばしば失敗する大きなシーンにも拡張できる。
  論文  参考訳（メタデータ） (2022-03-25T18:58:46Z)
• 360-DFPE: Leveraging Monocular 360-Layouts for Direct Floor Plan Estimation [43.56963653723287]
  能動センサや3D情報に頼ることなく,360-DFPEを直接入力として利用するシーケンシャルフロアプラン推定法である360-DFPEを提案する。 以上の結果から, 現状のアルゴリズムに対して, 単分子解が良好な性能を達成できることが示唆された。
  論文  参考訳（メタデータ） (2021-12-12T08:36:41Z)
• SSLayout360: Semi-Supervised Indoor Layout Estimation from 360-Degree Panorama [0.0]
  ラベル付きデータとラベルなしデータを組み合わせて,ルームコーナーと境界の表現を学習する最初のアプローチを提案する。 提案手法は,20のラベル付き例を用いて,複雑な屋内シーンのレイアウト推定を推し進めることができる。
  論文  参考訳（メタデータ） (2021-03-25T09:19:13Z)
• Tight-Integration of Feature-Based Relocalization in Monocular Direct Visual Odometry [49.89611704653707]
  本稿では,地図に基づく再局在化をオンラインビジュアル・オドメトリーに統合するためのフレームワークを提案する。 我々は画像特徴をDSO(Direct Sparse Odometry)に統合し、オンライン視覚計測と以前に構築された地図を関連付ける機能マッチングに依存する。
  論文  参考訳（メタデータ） (2021-02-01T21:41:05Z)
• Scan2Plan: Efficient Floorplan Generation from 3D Scans of Indoor Scenes [9.71137838903781]
  Scan2Planは,室内環境の構造要素の3次元スキャンから,フロアプランを正確に推定するための新しい手法である。 提案手法は、初期ステージがシーンの無秩序な点雲をクラスタリングする2段階のアプローチを取り入れたものである。 その後の段階では、各部屋について単純なポリゴンによってパラメータ化された閉周を推定する。 最後のフロアプランは、グローバル・コーディネート・システムにおけるすべての部屋周計の集合である。
  論文  参考訳（メタデータ） (2020-03-16T17:59:41Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。