SPL-PlaneTR:基于快速学习的轻量级和可通用的室内飞机细分
Zhongchen Deng1, Yuanlong Ge1,2, Xiatian Qi1,2
1School of Computer Science, Hubei University, Wuhan 430062, China.
Sensors (Basel, Switzerland)
|May 14, 2025
概括
空间快速学习平面TR (SPL-PlaneTR) 通过提高线段利用率和减少参数来增强单图像平面细分. 这种新的方法在3D室内场景理解中实现了卓越的性能和零拍摄传输能力.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 3D场景理解 3D场景理解
背景情况:
- 单图像平面细分对于3D室内场景分析和重建至关重要.
- 基于变压器的方法PlaneTR在平面实例分割方面表现出色,但在利用线段信息和参数效率方面存在局限性.
研究的目的:
- 提出一个改进的PlaneTR模型,空间即时学习PlaneTR (SPL-PlaneTR),解决它的局限性.
- 提高结构线段信息的利用率,降低模型复杂度.
- 为了提高在各种室内环境中平面细分的准确性和通用性.
主要方法:
- 用轻量级的线段提示模块和适配器取代了PlaneTR的线段变压器分支.
- 引入了空间查询,而不是传统的位置查询,以获得准确的平面定位.
- 开发了SPL-PlaneTR,这是一个平衡复杂性和性能的模型,用于3D室内场景细分.
主要成果:
- 在ScanNet数据集上,SPL-PlaneTR表现出高于PlaneTR的性能,即使在噪音的情况下也是如此.
- 在Matterport3D,ICL-NUIM RGB-D和2D-3D-S数据集上实现了更好的零射击传输性能.
- 拟议的模型以更少的参数实现了最先进的结果.
结论:
- SPL-PlaneTR有效地利用线段信息和空间查询来改进平面细分.
- 该模型为3D室内场景理解提供了更有效,更准确的解决方案.
- 公共可用的代码和模型有助于进一步的研究和应用.


