深度消失点检测：几何先验使数据集差异消失

深度学习改进了图像中的消失点检测。然而，深度网络需要昂贵的标注数据集，这些数据集在昂贵的硬件上训练，且无法泛化到哪怕略有差异的域以及微小的问题变体。在此，我们通过向深度消失点检测网络注入先验知识来解决这些问题。这些先验知识不再需要从数据中学习，从而节省了宝贵的标注工作和计算量，解锁了现实的少样本场景，并降低了域变化的影响。此外，先验的可解释性使得能够调整深度网络以适应微小的问题变化，例如在曼哈顿世界与非曼哈顿世界之间切换。我们无缝地融入了两个几何先验：(i) 霍夫变换——将图像像素映射为直线，以及 (ii) 高斯球——将直线映射为大圆，其交点表示消失点。在实验上，我们对我们的选择进行了消融研究，并展示了在大数据设置下与现有模型相当的准确性。我们验证了我们的模型改进的数据效率、对域变化的鲁棒性，以及对非曼哈顿设置的适应性。