99久久中文字幕组,成人网站久久久久久,九热精品视频在线观看

DuLa-Net: A Dual-Projection Network for Estimating Room Layouts from a Single RGB Panorama

Abstract

我們提供了一個(gè)稱為DuLa-Net的深度學(xué)習(xí)框架，可從單個(gè)RGB全景圖預(yù)測(cè)曼哈頓世界3D房間的布局。為了獲得更好的預(yù)測(cè)精度，我們的方法同時(shí)利用了全景的兩個(gè)投影，即等距柱狀全景視圖和透視天花板視圖，每個(gè)投影都包含有關(guān)房間布局的不同線索。我們的網(wǎng)絡(luò)架構(gòu)由兩個(gè)編碼器/解碼器分支組成，用于分析兩個(gè)視圖中的每個(gè)視圖。另外，提出了一種新穎的特征融合結(jié)構(gòu)來(lái)連接兩個(gè)分支，然后對(duì)兩個(gè)分支進(jìn)行聯(lián)合訓(xùn)練以預(yù)測(cè)2D平面圖和布局高度。為了了解更復(fù)雜的房間布局，我們引入了Realtor360數(shù)據(jù)集，該數(shù)據(jù)集包含具有不同角數(shù)的曼哈頓世界房間布局的全景圖。實(shí)驗(yàn)結(jié)果表明，我們的工作在預(yù)測(cè)準(zhǔn)確性和性能方面優(yōu)于最新技術(shù)，尤其是在非立方體布局的房間中。

1. Introduction

從室內(nèi)全景圖像推斷出高質(zhì)量的3D房間布局在理解室內(nèi)場(chǎng)景中起著至關(guān)重要的作用，并且可能有益于包括虛擬/增強(qiáng)現(xiàn)實(shí)和機(jī)器人技術(shù)在內(nèi)的各種應(yīng)用。為此，最近的方法通過(guò)使用深度學(xué)習(xí)來(lái)預(yù)測(cè)輸入全景圖上的房間角落和邊界，來(lái)恢復(fù)3D房間布局。例如，LayoutNet對(duì)曼哈頓世界受限的房間實(shí)現(xiàn)了令人印象深刻的重建精度。但是，房間里的雜物，例如，家具，提取在輸入全景圖中遮擋的關(guān)鍵拐角和邊緣帶來(lái)了挑戰(zhàn)。另外，從2D拐角和邊緣圖估計(jì)3D布局是一個(gè)不適定的問(wèn)題，因此在優(yōu)化中施加了額外的約束。因此，處理復(fù)雜的房間布局仍然具有挑戰(zhàn)性。

在這項(xiàng)工作中，我們提出了一個(gè)新穎的端到端框架，可以從單個(gè)RGB全景圖估算3D房間的布局。憑直覺(jué)，在給定相同全景圖但投影不同的情況下，神經(jīng)網(wǎng)絡(luò)可能會(huì)提取不同類型的特征，因此，我們建議從全景圖的兩個(gè)不同視圖（即等距柱狀全景視圖和透視天花板視圖）預(yù)測(cè)房間布局。網(wǎng)絡(luò)體系結(jié)構(gòu)遵循編碼器-解碼器方案，并且由全景分支和天花板分支兩個(gè)分支組成，分別用于分析全景視圖和天花板視圖的圖像。全景分支的輸出包括地板-天花板概率圖和布局高度，而天花板分支則輸出房屋平面概率圖。為了在分支之間共享信息，我們采用了一種特征融合方案，通過(guò)E2P轉(zhuǎn)換連接解碼器的前幾層，該轉(zhuǎn)換將中間特征圖從等距柱狀投影轉(zhuǎn)換為透視天花板視圖。我們發(fā)現(xiàn)通過(guò)聯(lián)合訓(xùn)練兩個(gè)相連的分支可以實(shí)現(xiàn)更好的預(yù)測(cè)性能。然后，通過(guò)將軸對(duì)齊的多邊形擬合到融合的房屋平面概率圖（請(qǐng)參見(jiàn)圖3），然后通過(guò)估計(jì)的布局高度將其拉伸，從而獲得最終的2D平面圖。

要從具有復(fù)雜布局的全景圖中學(xué)習(xí)，我們需要用于網(wǎng)絡(luò)訓(xùn)練和測(cè)試的適當(dāng)數(shù)據(jù)集。但是，現(xiàn)有的公共數(shù)據(jù)集，例如PanoContext 數(shù)據(jù)集，提供了帶有簡(jiǎn)單長(zhǎng)方體形狀的大部分帶標(biāo)簽的3D布局。為了學(xué)習(xí)更復(fù)雜的布局，我們引入了一個(gè)新的數(shù)據(jù)集Realtor360，其中包括SUN360 數(shù)據(jù)集（593個(gè)客廳和臥室）的子集和從房地產(chǎn)數(shù)據(jù)庫(kù)收集的1980個(gè)全景圖。我們使用定制的交互式工具注釋了整個(gè)數(shù)據(jù)集，以獲取真實(shí)的3D布局。

我們的數(shù)據(jù)集的一個(gè)關(guān)鍵特征是，它包含的房間的拐角數(shù)量具有更復(fù)雜的形狀。實(shí)驗(yàn)結(jié)果表明，我們的方法在預(yù)測(cè)準(zhǔn)確度方面優(yōu)于當(dāng)前的最新方法，尤其是對(duì)于四個(gè)角以上的房間。我們的方法還需要更少的時(shí)間來(lái)計(jì)算最終房間的布局。圖1顯示了通過(guò)我們的方法估算的一些房間布局。我們的貢獻(xiàn)總結(jié)如下：

·? ?我們提出了一種新穎的網(wǎng)絡(luò)體系結(jié)構(gòu)，其中包含兩個(gè)編碼器-解碼器分支，以分析兩個(gè)不同投影中的輸入全景圖。這兩個(gè)分支通過(guò)特征融合方案進(jìn)一步連接。這種雙投影架構(gòu)可以推斷出房間的布局，除了長(zhǎng)方體和L形之外，還具有更復(fù)雜的形狀。

·? ?我們的神經(jīng)網(wǎng)絡(luò)是朝著建立端到端架構(gòu)邁出的重要一步。我們的網(wǎng)絡(luò)直接輸出2D平面圖的概率圖。與當(dāng)前最新技術(shù)的輸出相比，此輸出需要更少的后處理來(lái)獲得最終的3D房間布局。

·? 我們引入了一個(gè)稱為Realtor360的新數(shù)據(jù)集，其中包含2573個(gè)全景圖，這些全景圖描繪了具有4至12個(gè)角的房間。據(jù)我們所知，這是最大的室內(nèi)圖像數(shù)據(jù)集，其中包含當(dāng)前可用的房間布局注釋。

2. Related Work

有多篇論文提出了一種從室內(nèi)環(huán)境中拍攝的單個(gè)圖像估算房間布局的解決方案。它們主要在三個(gè)方面有所不同：1）房間布局的假設(shè)； 2）輸入圖像的類型； 3）方法。就房間布局假設(shè)而言，一個(gè)流行的選擇是“曼哈頓世界”假設(shè)，這意味著所有墻壁都與全局坐標(biāo)系對(duì)齊。為了使問(wèn)題更容易解決，一個(gè)更嚴(yán)格的假設(shè)是房間是一個(gè)長(zhǎng)方體，即正好存在四個(gè)房間角。我們的方法采用曼哈頓世界假設(shè)，但允許任意數(shù)量的拐角。

就輸入圖像的類型而言，圖像的FoV（視場(chǎng)）可能有所不同-從單目（即從標(biāo)準(zhǔn)相機(jī)拍攝）到360度全景，以及是否提供深度信息。然后，這些方法在很大程度上取決于輸入圖像類型。僅給出單目RGB圖像時(shí)，該問(wèn)題可能最難解決。通常，從輸入圖像中提取幾何（例如線和角）和/或語(yǔ)義（例如分割成不同區(qū)域和體積推理）“線索”，生成一組房間布局假設(shè)，然后采用優(yōu)化或投票過(guò)程對(duì)假設(shè)進(jìn)行排名和選擇。最近，基于神經(jīng)網(wǎng)絡(luò)的方法在解決這個(gè)問(wèn)題方面取得了長(zhǎng)足的進(jìn)步。趨勢(shì)是神經(jīng)網(wǎng)絡(luò)生成越來(lái)越多的信息-從線段，表面標(biāo)簽到房間類型以及房間邊界和角落，以形成最終信息布局生成過(guò)程越來(lái)越容易解決。我們的方法通過(guò)使用神經(jīng)網(wǎng)絡(luò)直接預(yù)測(cè)2D平面圖概率圖（僅需要2D多邊形擬合過(guò)程即可生成最終2D房間布局），將這一趨勢(shì)進(jìn)一步向前推進(jìn)。

如果提供了深度信息，則存在估算場(chǎng)景注釋的方法，包括房間布局。更深入的討論超出了本文的范圍。

密切相關(guān)的問(wèn)題包括根據(jù)給定圖像進(jìn)行深度估計(jì)和根據(jù)點(diǎn)云進(jìn)行場(chǎng)景重建。注意，估計(jì)的深度或重建的3D場(chǎng)景都不一定等同于潔凈室布局，因?yàn)榇祟愝斎肟赡馨s波。

360全景圖：Zhang等人的開創(chuàng)性著作提倡將360度全景圖用于室內(nèi)場(chǎng)景理解，因?yàn)?60度全景圖的FOV范圍更大。朝著這個(gè)方向發(fā)展的工作蓬勃發(fā)展，包括基于對(duì)幾何和/或語(yǔ)義線索進(jìn)行優(yōu)化的方法，以及后來(lái)基于神經(jīng)網(wǎng)絡(luò)的方法。除了LayoutNet，大多數(shù)方法都依賴于利用現(xiàn)有技術(shù)對(duì)從輸入全景拍攝的樣本上的單視角圖像進(jìn)行處理。我們認(rèn)為，這是LayoutNet出色性能的主要原因，因?yàn)樗梢詫?duì)整個(gè)全景圖進(jìn)行預(yù)測(cè)，從而提取輸入全景圖可能包含的更多全局信息。在【20】中可以找到沿該方向的進(jìn)一步步驟，其中將輸入全景圖投影到2D“地板”視圖，其中攝像機(jī)位置映射到圖像的中心，并且全景圖中的垂直線變?yōu)閺较驁D像中心發(fā)出的線條。這種方法的優(yōu)點(diǎn)是房間布局成為2D閉環(huán)，可以更輕松地提取它。我們?cè)谶@里得出“天花板”視圖的想法-而不是向下看向包括房間中所有雜物的地板，而是向上看向天花板，從而更清晰地看到房間布局。

3. Overview

圖2說(shuō)明了我們框架的概述。給定輸入為等距柱狀全景圖像，我們遵循在PanoContext [29]中使用的相同預(yù)處理步驟，將全景圖像與全局坐標(biāo)系對(duì)齊，即我們以曼哈頓世界為假設(shè)。然后，我們通過(guò)等距柱狀圖向透視（E2P）轉(zhuǎn)換將全景圖像轉(zhuǎn)換為透視天花板圖像（第4節(jié)）。然后將全景視圖和天花板視圖圖像饋送到由兩個(gè)編碼器/解碼器分支組成的網(wǎng)絡(luò)。這兩個(gè)分支通過(guò)基于E2P的特征融合方案連接在一起，并經(jīng)過(guò)共同訓(xùn)練以預(yù)測(cè)平面圖概率圖，地板最高概率圖和布局高度（第5節(jié)）。使用E2P轉(zhuǎn)換從地板-天花板概率圖導(dǎo)出兩個(gè)中間概率圖，并將其與房屋平面圖概率圖結(jié)合以獲得融合的房屋平面圖概率圖。最終3D Manhattan布局是通過(guò)使用預(yù)測(cè)的布局高度將在融合平面圖概率圖上估算的2D Manhattan平面圖進(jìn)行拉伸來(lái)確定的（第六節(jié)）。

4. E2P conversion

在本節(jié)中，我們解釋了E2P轉(zhuǎn)換的公式，該公式將等距柱狀全景圖轉(zhuǎn)換為透視圖圖像。我們假設(shè)透視圖是正方形，尺寸為w $\times$ w。對(duì)于透視圖像中位置（ $P_{x}$ ; $P_{y}$ ）上的每個(gè)像素，我們得出全景圖中相應(yīng)像素的位置 $(P_{x}^1,P_{y}^1)$ ， $-1\leq P_{x}^1\leq 1$ ; $-1\leq P_{y}^1\leq 1$ ，如下。首先，我們將透視圖像的針孔相機(jī)的視場(chǎng)定義為FoV。然后，焦距可以推導(dǎo)為：

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? $f=0.5*w*cot(0.5*FoV)$

$(P_{x} ,P_{y},f)$ ，即相機(jī)空間中透視圖圖像中像素的3D位置，然后，如果相機(jī)是向上看(看天花板)，則沿x軸（逆時(shí)針）旋轉(zhuǎn)90，如果是向下看(看地板)，則沿x軸（逆時(shí)針）旋轉(zhuǎn)-90。

接下來(lái)，我們將旋轉(zhuǎn)后的三維位置投影到等距柱狀圖空間。為此，我們首先通過(guò)向量歸一化 $（S_{x}， S_{y}，S_{z}）$ ，并應(yīng)用下列公式:

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?? $（P_{x}^1 ,P_{y}^1 )=(\frac{arctan_{2} (\frac{S_{x} }{S_{z} } )}{\pi }, \frac{arcsin_{} (S_{y} )}{0.5\pi})$

投影 $（S_{x}， S_{y}，S_{z}）$ ，即單位球面上的3D位置，回到全景圖中相應(yīng)的2D位置 $(P_{x}^1,P_{y}^1)$ 。最后，我們使用 $(P_{x}^1,P_{y}^1)$ 對(duì)全景圖中的像素值進(jìn)行插值。 我們注意到該過(guò)程是可微的，因此可以與反向傳播結(jié)合使用。

5. Network architecture

我們的網(wǎng)絡(luò)架構(gòu)如圖2所示。它由兩個(gè)編碼器/解碼器分支組成，用于全景視圖和天花板視圖輸入圖像。我們將全景視圖分支表示為 $B_{P}$ ，將天花板視圖分支表示為 $B_{C}$ 。 $B_{P}$ 的編碼器和解碼器表示為 $E_{B_{P} }$ 和 $D_{B_{P} }$ ，對(duì)于 $B_{C}$ ，它們表示為 $E_{B_{C} }$ 和 $D_{B_{C} }$ 。一個(gè)關(guān)鍵概念是我們的網(wǎng)絡(luò)可以預(yù)測(cè)平面圖和布局高度。通過(guò)這兩個(gè)預(yù)測(cè)，我們可以在后期處理中重建3D房間布局（第6節(jié)）。

5.1. Encoder

我們將ResNet-18用作 $E_{B_{P} }$ 和 $E_{B_{C} }$ 的結(jié)構(gòu)。 $E_{B_{P} }$ 的輸入尺寸為512x1024x3（輸入全景圖的尺寸），輸出尺寸為16x32x512。對(duì)于 $E_{B_{C} }$ ，輸入和輸出尺寸為512x512x3和16x16x512。請(qǐng)注意， $E_{B_{C} }$ 的輸入是通過(guò)對(duì)輸入全景進(jìn)行E2P轉(zhuǎn)換（FoV設(shè)置為160°，w設(shè)置為512）而生成的透視頂視圖圖像。我們還嘗試了其他計(jì)算成本更高的網(wǎng)絡(luò)結(jié)構(gòu)，例如ResNet-50 編碼器。但是，我們發(fā)現(xiàn)準(zhǔn)確性沒(méi)有任何提高，因此為了簡(jiǎn)單起見(jiàn)，我們選擇使用ResNet-18。

5.1. Decoder?

$D_{B_{P} }$ 和 $D_{B_{C} }$ 都包含六個(gè)卷積層。前五層是3x3個(gè)具有ReLU激活的調(diào)整大小卷積。最后一層是具有Sigmoid激活的常規(guī)3x3卷積。這六層卷積的通道數(shù)分別為256、128、64、32、16和1。為推理布局高度，我們?cè)?img class="math-inline" src="https://math.jianshu.com/math?formula=B_%7BP%7D%20" alt="B_{P} " mathimg="1">的最中間部分添加了三個(gè)全連接層。這三層的尺寸分別為256、64和1。為了使布局高度的回歸更加可靠，我們?cè)谇皟蓪又筇砑恿薲ropout層。為了將最中間的特征作為輸入，我們首先在x和y維度上應(yīng)用全局平均池化，從而生成具有512維度的1-D特征，并將其作為全連接層的輸入。

$B_{P}$ 的輸出是等距柱狀圖投影的地板和天花板的概率圖，表示為地板-天花板概率圖（ $M_{FC}$ ）。對(duì)于 $B_{C}$ ，輸出是天花板視角的平面圖的概率圖，表示為平面圖概率圖（ $M_{FP}$ ）。請(qǐng)注意， $B_{P}$ 還輸出預(yù)測(cè)的布局高度（H）。

5.3. Feature fusion

我們發(fā)現(xiàn)，應(yīng)用融合技術(shù)來(lái)融合 $B_{P}$ 和 $B_{C}$ 中的特征可以提高預(yù)測(cè)準(zhǔn)確性。我們推測(cè)一個(gè)原因如下。在天花板視圖圖像中，圖像邊界附近的區(qū)域（存在一些有用的視覺(jué)線索，例如陰影和家具布置）更加失真，這可能對(duì)天花板視圖分支推理房間結(jié)構(gòu)產(chǎn)生不利影響。通過(guò)融合全景視圖分支中的特征（失真程度較小），可以改善天花板視圖分支的性能。

我們?cè)?img class="math-inline" src="https://math.jianshu.com/math?formula=D_%7BB_%7BP%7D%20%7D%20" alt="D_{B_{P} } " mathimg="1">和 $D_{B_{C} }$ 的前五層中的每個(gè)層之前應(yīng)用融合。對(duì)于每個(gè)融合連接，將FoV設(shè)置為160°，E2P轉(zhuǎn)換（第4節(jié)）是將 $D_{B_{P} }$ 中的原本在等距柱狀投影視圖中的特征投影到透視天花板視圖。每個(gè)融合的工作方式如下：

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? $f_{B_{C} }^* =f_{B_{C} } +\frac{\alpha }{\beta ^i } \times f_{B_{P} } , i\in (0,1,2,3,4) （2）$

在應(yīng)用E2P轉(zhuǎn)換后，其中 $f_{B_{C} }$ 是 $B_{C}$ 的特征，而 $f_{B_{P}}$ 是 $B_{P}$ 的特征。 $\alpha$ 和 $\beta$ 是衰減系數(shù)。 $i$ 是層的索引。每次融合之后，合并后的特征 $f_{B_{C}}^*$ 被發(fā)送到 $D_{B_{C} }$ 的下一層。在第8節(jié)中討論了該技術(shù)的性能改進(jìn)。

5.4. Loss function

5.5. Training details

我們用PyTorch實(shí)現(xiàn)了我們的方法。我們使用Adam優(yōu)化器，其中 $\beta _{1}$ = 0.9和 $\beta _{2}$ = 0.999。學(xué)習(xí)率是0。0003，批量尺寸是4。我們的訓(xùn)練損失在大約120輪后收斂。對(duì)于每次訓(xùn)練迭代，我們通過(guò)隨機(jī)翻轉(zhuǎn)和水平旋轉(zhuǎn)將輸入全景圖分別增加0°、90°、180°和270°。對(duì)于融合部分，我們?cè)诘仁?中的設(shè)置了 $\alpha$ 和 $\beta$ ，分別是0.6和3。? 我們?cè)诘仁?中設(shè)置了 $\gamma$ 為0.5。因?yàn)槲覀児烙?jì)了天花板視圖中的平面概率圖，所以我們假設(shè)攝像機(jī)和天花板之間的距離為1.6米，并使用此常數(shù)對(duì)ground truth進(jìn)行歸一化。

6. 3D layout estimation

給定概率圖（ $M_{FC}$ 和 $M_{FP}$ ）以及網(wǎng)絡(luò)預(yù)測(cè)的布局高度（H），我們通過(guò)以下兩個(gè)步驟重建最終的3D布局：

1.使用概率圖估算2D 曼哈頓平面圖的形狀。

?2.根據(jù)布局高度沿其法線擠壓平面圖形狀。

對(duì)于步驟1，使用E2P轉(zhuǎn)換從地板-天花板概率圖的天花板像素和地板像素中得出兩個(gè)中間圖，分別表示為 $M_{FC}^C$ 和 $M_{FC}^F$ 。我們進(jìn)一步使用比例因子1.6 /（H-1.6），將 $M_{FC}^C$ 與 $M_{FC}^F$ 配準(zhǔn)，其中常數(shù)1.6是攝像機(jī)與天花板之間的距離。最后，融合平面圖概率圖的計(jì)算如下：

圖3（a）示出了上述過(guò)程。概率圖 $M_{FP}^fuse$ 使用閾值0.5進(jìn)行二值化。計(jì)算最大的連接組件的邊界矩形以供以后使用。接下來(lái)，我們將二進(jìn)制圖像轉(zhuǎn)換為密集采樣的分段線性閉環(huán)，并使用Douglas-Peucker算法對(duì)其進(jìn)行簡(jiǎn)化（參見(jiàn)圖3（b）)。我們對(duì)邊緣進(jìn)行回歸分析，并將其聚類為軸對(duì)齊的水平線和垂直線。這些線將邊界矩形劃分為幾個(gè)不相交的網(wǎng)格單元（請(qǐng)參見(jiàn)圖3（c））。我們將2D平面圖的形狀定義為柵格單元的并集，其中平面圖面積的比率大于0.5（請(qǐng)參見(jiàn)圖3（d））。

7. Realtor360 dataset

包含足夠數(shù)量的3D房間布局（具有不同數(shù)量的拐角）的數(shù)據(jù)集對(duì)于訓(xùn)練以及測(cè)試我們的網(wǎng)絡(luò)至關(guān)重要。不幸的是，現(xiàn)有的公共領(lǐng)域數(shù)據(jù)集，例如Zou等人標(biāo)記的PanoContext 數(shù)據(jù)集和Stanford 2D-3D數(shù)據(jù)集。主要包含具有簡(jiǎn)單長(zhǎng)方體形狀的布局。為了證明我們的框架足夠靈活，可以處理任意數(shù)量的拐角房間，我們引入了一個(gè)名為Realtor360的新數(shù)據(jù)集，其中包含2500多個(gè)室內(nèi)全景圖和帶注釋的3D房間布局。我們根據(jù)房間布局的復(fù)雜程度對(duì)每個(gè)房間進(jìn)行分類，這些復(fù)雜程度是通過(guò)平面圖中的拐角數(shù)量來(lái)衡量的。表1顯示了數(shù)據(jù)集的統(tǒng)計(jì)數(shù)據(jù)，圖4中提供了一些可視示例。Realtor360數(shù)據(jù)集中的源全景圖像是從兩個(gè)源中收集的。第一個(gè)是SUN360數(shù)據(jù)集的一個(gè)子集，其中包含593個(gè)客廳和臥室的全景圖。另一個(gè)來(lái)源是一個(gè)房地產(chǎn)數(shù)據(jù)庫(kù)，其中包含從一家房地產(chǎn)公司獲得的1980個(gè)室內(nèi)全景圖。我們使用定制的交互式工具注釋這些室內(nèi)全景圖的3D布局，如下所述。

注釋工具。 為了用高質(zhì)量的3D房間布局注釋2D室內(nèi)全景圖，我們開發(fā)了一種交互式工具來(lái)簡(jiǎn)化標(biāo)記過(guò)程。該工具首先利用現(xiàn)有的自動(dòng)方法從輸入全景圖中提取深度圖和線段。然后，通過(guò)沿全景中心的水平線采樣深度來(lái)創(chuàng)建初始的3D曼哈頓世界布局。該工具允許用戶通過(guò)一系列直觀的操作來(lái)完善初始3D布局，這些操作包括（i）推/拉墻；（ii）合并多堵墻；（iii）分開一堵墻。它還提供了一個(gè)方便的功能，可以在交互式編輯過(guò)程中將布局邊對(duì)齊到估計(jì)的線段，以提高準(zhǔn)確性。我們計(jì)劃在發(fā)布此工作后將數(shù)據(jù)集和注釋工具一起發(fā)布以供學(xué)術(shù)使用。

色偷偷精品伊人,欧洲久久精品,欧美综合婷婷骚逼,国产AV主播,国产最新探花在线,九色在线视频一区,伊人大交九欧美,1769亚洲,黄色成人av

DuLa-Net

DuLa-Net

Abstract

1. Introduction

2. Related Work

3. Overview

4. E2P conversion

5. Network architecture

5.1. Encoder

5.1. Decoder?

5.3. Feature fusion

5.4. Loss function

5.5. Training details

6. 3D layout estimation

7. Realtor360 dataset

相關(guān)閱讀更多精彩內(nèi)容

友情鏈接更多精彩內(nèi)容

色偷偷精品伊人,欧洲久久精品,欧美综合婷婷骚逼,国产AV主播,国产最新探花在线,九色在线视频一区,伊人大交九 欧美,1769亚洲,黄色成人av

DuLa-Net

Abstract

1. Introduction

2. Related Work

3. Overview

4. E2P conversion

5. Network architecture

5.1. Encoder

5.1. Decoder?

5.3. Feature fusion

5.4. Loss function

5.5. Training details

6. 3D layout estimation

7. Realtor360 dataset

相關(guān)閱讀更多精彩內(nèi)容

友情鏈接更多精彩內(nèi)容

色偷偷精品伊人,欧洲久久精品,欧美综合婷婷骚逼,国产AV主播,国产最新探花在线,九色在线视频一区,伊人大交九欧美,1769亚洲,黄色成人av