論文の概要: PolyLayout: Multi-room Manhattan Layout Estimation

• arxiv url: http://arxiv.org/abs/2608.03323v1
• Date: Tue, 04 Aug 2026 08:30:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-05 15:30:23.099805
• Title: PolyLayout: Multi-room Manhattan Layout Estimation
• Title（参考訳）: PolyLayout:マルチルームマンハッタンレイアウト推定
• Authors: Gustav Hanning, Shaohui Liu, Rémi Pautrat, Marc Pollefeys, Kalle Åström, Viktor Larsson,
• Abstract要約: 多視点画像から部屋レイアウトを抽出することは屋内シーン理解のコアタスクである。 マンハッタンの3次元ポリゴンの特徴として部屋レイアウトをパラメータ化する多室レイアウト推定法であるPolyを提案する。 既存のデータセットにレイアウトアノテーションを提供することで、新しいマルチビューマルチルームレイアウトベンチマークを2つ導入する。
• 参考スコア（独自算出の注目度）: 75.30995628543158
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Estimating room layouts from multi-view imagery is a core task for indoor scene understanding. Existing methods are typically limited either by poor generalization to new datasets or restrictive geometric assumptions of the room shape or camera configuration. Most also estimate rooms independently, failing to exploit shared building structure such as dominant directions, ground plane or ceiling height. We propose PolyLayout, a multi-room layout estimation method that parameterizes room layouts as Manhattan 3D polygons and optimizes them jointly across multiple rooms. The optimization objective is predicted by a neural network on top of robust pre-trained visual features and trained end-to-end with supervision only on output room layouts. At the same time, camera projection and polygon updates remain explicit and model-based. This separation between learned scoring and geometry improves generalization to new datasets and camera parameters. During optimization, PolyLayout adaptively refines the polygon topology through iterative wall split and merge operations while jointly utilizing structural cues across rooms. We introduce two new multi-view multi-room layout benchmarks by providing layout annotations to existing datasets, and experiments show that PolyLayout outperforms prior approaches, both in terms of accuracy and robustness. Project page: https://ghanning.github.io/PolyLayout
• Abstract（参考訳）: 多視点画像から部屋レイアウトを推定することは屋内シーン理解のコアタスクである。 既存の手法は一般的に、新しいデータセットへの一般化の貧弱さや、部屋の形やカメラ構成の限定的な幾何学的仮定によって制限される。 多くの場合、部屋は独立して見積もっており、支配的な方向、地上面、天井の高さなどの共有された建物構造を利用できない。 マルチルームレイアウト推定手法であるPolyLayoutを提案する。 最適化の目的は、堅牢な事前学習された視覚的特徴と、出力室レイアウトのみを監督したエンドツーエンドでトレーニングされたニューラルネットワークによって予測される。 同時に、カメラのプロジェクションとポリゴンのアップデートは明確でモデルベースである。 この学習されたスコアと幾何学の分離は、新しいデータセットとカメラパラメータへの一般化を改善する。 最適化中、PolyLayoutは壁分割とマージ操作を通じてポリゴントポロジーを適応的に洗練し、部屋全体の構造的手がかりを共同で活用する。 既存のデータセットにレイアウトアノテーションを提供することで、新しいマルチルームレイアウトベンチマークを2つ導入し、PolyLayoutが精度とロバスト性の両方で従来のアプローチより優れていることを示す実験を行った。 プロジェクトページ: https://ghanning.github.io/PolyLayout

関連論文リスト

• Z-FLoc: Zero-Shot Floorplan Localization via Geometric Primitives [72.63181031215858]
  そこで本研究では,ゼロショットフロアプランのローカライズ手法を提案する。 我々の重要な洞察は、支配的な幾何学的プリミティブが人間が作った環境でユビキタスであることである。 シミュレーションと実世界の両方のデータセットの実験により、我々のアプローチは、目に見えない環境における最先端の学習ベースの手法よりも優れています。
  論文  参考訳（メタデータ） (2026-06-03T12:14:24Z)
• PixCuboid: Room Layout Estimation from Multi-view Featuremetric Alignment [26.610824644310846]
  PixCuboidは,キュービイド形状の部屋配置推定のための最適化手法である。 エンド・ツー・エンドの最適化でトレーニングすることで、大きな収束盆地と滑らかなロスランドスケープを生み出す特徴写像を学習する。 徹底的な実験では、我々のアプローチを検証し、競争を著しく上回っている。
  論文  参考訳（メタデータ） (2025-08-06T17:27:50Z)
• 360 Layout Estimation via Orthogonal Planes Disentanglement and Multi-view Geometric Consistency Perception [56.84921040837699]
  既存のパノラマ配置推定ソリューションは、垂直圧縮されたシーケンスから部屋の境界を復元し、不正確な結果をもたらす傾向にある。 そこで本稿では,直交平面不整合ネットワーク(DOPNet)を提案し,あいまいな意味論を識別する。 また,水平深度と比表現に適した教師なし適応手法を提案する。 本手法は,単分子配置推定と多視点レイアウト推定の両タスクにおいて,他のSoTAモデルよりも優れる。
  論文  参考訳（メタデータ） (2023-12-26T12:16:03Z)
• Diagnostic Benchmark and Iterative Inpainting for Layout-Guided Image Generation [147.81509219686419]
  本研究では,空間制御の4つの分野(数,位置,サイズ,形状)について,レイアウト誘導画像生成のための診断ベンチマークを提案する。 次に,新しいベースラインであるIterInpaintを提案する。 本研究はIterInpaintに関する総合的アブレーション研究である。
  論文  参考訳（メタデータ） (2023-04-13T16:58:33Z)
• Connecting the Dots: Floorplan Reconstruction Using Two-Level Queries [27.564355569013706]
  本稿では,複数の部屋の多角形を並列に生成するトランスフォーマーアーキテクチャを提案する。 提案手法は,Structured3DとSceneCADの2つの挑戦的データセットに対して,新たな最先端化を実現する。 追加情報、すなわちセマンティックルームタイプやドアや窓のようなアーキテクチャ要素を予測するために簡単に拡張できる。
  論文  参考訳（メタデータ） (2022-11-28T18:59:09Z)
• Neural 3D Scene Reconstruction with the Manhattan-world Assumption [58.90559966227361]
  本稿では,多視点画像から3次元屋内シーンを再構築する課題について述べる。 平面的制約は、最近の暗黙の神経表現に基づく再構成手法に便利に組み込むことができる。 提案手法は, 従来の手法よりも3次元再構成品質に優れていた。
  論文  参考訳（メタデータ） (2022-05-05T17:59:55Z)
• RoomStructNet: Learning to Rank Non-Cuboidal Room Layouts From Single View [7.427006214471801]
  そこで本研究では,部屋のレイアウトを単一画像から推定する手法を提案する。 提案手法では,最適化を使わずに最終的なレイアウトを推定するために,追加のランキング関数を学習する。 提案手法は,主に立方体配置を持つ標準データセットの最先端結果を示すとともに,非立方体レイアウトを持つ部屋を含むデータセット上でも良好に動作することを示す。
  論文  参考訳（メタデータ） (2021-10-01T20:42:49Z)
• General 3D Room Layout from a Single View by Render-and-Compare [36.94817376590415]
  一つの視点から部屋の3次元レイアウトを再構築する新しい手法を提案する。 データセットはScanNetの293の画像で構成されており、正確な3Dレイアウトで注釈を付けました。
  論文  参考訳（メタデータ） (2020-01-07T16:14:00Z)

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。