Erkennung von Fluchtpunkten unter Verwendung des globalen Bildkontexts in einer nicht-Manhattanschen Welt

Wir schlagen eine neue Methode zur Erkennung von horizontalen Fluchtpunkten und dem Zenitfluchtpunkt in künstlichen Umgebungen vor. Der vorherrschende Trend bei existierenden Methoden besteht darin, zunächst Kandidaten für Fluchtpunkte zu finden und dann Ausreißer durch die Anwendung gegenseitiger Orthogonalität zu entfernen. Unser Verfahren kehrt diesen Prozess um: Wir legen eine Reihe von Horizontlinien-Kandidaten fest und bewerten jeden anhand der enthaltenen Fluchtpunkte. Ein wesentlicher Bestandteil unserer Methode ist die Nutzung des globalen Bildkontexts, der mit einem tiefen Faltungsnetzwerk extrahiert wird, um die Menge der zu betrachtenden Kandidaten einzuschränken. Unsere Methode macht keine Annahme über eine Manhattan-Welt (Manhattan-world assumption) und kann effektiv in Szenen mit nur einem horizontalen Fluchtpunkt arbeiten. Wir evaluieren unseren Ansatz anhand dreier Benchmark-Datensätze und erzielen auf jedem den aktuellen Stand der Technik (state-of-the-art performance). Zudem ist unser Ansatz erheblich schneller als die bisher beste Methode.