PlaneRecNet：基于跨任务一致性的多任务学习用于单张RGB图像的分块平面检测与重建
计算机视觉与模式识别
2022-02-01 v2
摘要
分块三维平面重建提供了对人造环境（尤其是室内场景）的整体场景理解。最近大多数方法侧重于通过引入先进的网络架构来改进分割和重建结果，但忽略了分块平面作为对象和几何模型的双重特性。与其他现有方法不同，我们从强制多任务卷积神经网络PlaneRecNet的跨任务一致性出发，该网络集成了一个用于分块平面分割的单阶段实例分割网络和一个从单张RGB图像重建场景的深度解码器。为此，我们引入了若干新颖的损失函数（几何约束），共同提高分块平面分割和深度估计的精度。同时，一种新颖的平面先验注意力模块被用于以平面实例感知来引导深度估计。本文中进行了详尽的实验以验证我们方法的有效性和效率。
引用
@article{arxiv.2110.11219,
title = {PlaneRecNet: Multi-Task Learning with Cross-Task Consistency for Piece-Wise Plane Detection and Reconstruction from a Single RGB Image},
author = {Yaxu Xie and Fangwen Shu and Jason Rambach and Alain Pagani and Didier Stricker},
journal= {arXiv preprint arXiv:2110.11219},
year = {2022}
}
备注
accepted to BMVC 2021, code opensource: https://github.com/EryiXie/PlaneRecNet