摘要
我们在杂乱的室内场景中开发了新的三维（3D）物体检测和空间布局预测的表示方法和算法。首先，我们提出了一种定向梯度云（Clouds of Oriented Gradient, COG）描述符，该描述符将物体类别的二维外观与三维姿态联系起来，从而准确地建模了透视投影如何影响图像中的梯度感知。为了更好地表示大型物体的三维视觉风格并为小型物体的检测提供上下文线索，我们引入了潜在支撑面的概念。随后，我们提出了一种“曼哈顿体素”（Manhattan Voxel）表示方法，该方法能更好地捕捉常见室内环境中的三维房间布局几何特征。通过潜在结构预测框架学习有效的分类规则，并通过一系列分类器捕捉类别之间的上下文关系以及布局信息，从而生成整体场景假设，在SUN RGB-D数据库上的表现超过了现有最先进技术。