Wir präsentieren einen neuartigen Ansatz zur Detektion von Fluchtpunkten aus unkalibrierten monokularen Bildern. Im Gegensatz zu aktuellen State-of-the-Art-Verfahren treffen wir keine a priori-Annahmen über die beobachtete Szene. Unser Verfahren basiert auf einem convolutionalen neuronalen Netzwerk (CNN), das keine natürlichen Bilder verwendet, sondern eine Darstellung auf einer Gaußsphäre, die sich aus einer inversen gnomonischen Projektion von in einem Bild detektierten Linien ergibt. Dadurch können wir auf synthetische Daten für das Training zurückgreifen und verzichten auf die Notwendigkeit von beschrifteten Bildern. Unser Ansatz erzielt wettbewerbsfähige Ergebnisse auf drei Benchmark-Datensätzen zur Horizontschätzung. Zudem zeigen wir einige zusätzliche Anwendungsfälle auf, für die unser Algorithmus zur Fluchtpunktdetektion genutzt werden kann.