In den letzten Jahren hat es einen Boom in der Forschung zu semi-überwachtem Lernen und zur 3D-Raumlayout-Rekonstruktion gegeben. In dieser Arbeit untersuchen wir den Schnittpunkt dieser beiden Bereiche, um das Forschungsziel voranzutreiben, genauer 3D-Innenraumszenenmodellierung mit weniger annotierten Daten zu ermöglichen. Wir schlagen den ersten Ansatz vor, Darstellungen von Raumkanten und -grenzen durch die Verwendung einer Kombination aus annotierten und nicht annotierten Daten für eine verbesserte Layoutschätzung in einer 360-Grad-Panoramasonderung zu lernen. Durch umfangreiche Vergleichsexperimente zeigen wir, dass unser Ansatz die Layoutschätzung komplexer Innenräume mit nur 20 annotierten Beispielen verbessern kann. Wenn unser semi-überwachtes Verfahren mit einem auf synthetischen Daten vorgefertigten Layoutprädiktor kombiniert wird, erreicht es die Leistung des vollständig überwachten Gegenstücks mit nur 12 % der Annotationen. Unsere Arbeit macht einen wichtigen ersten Schritt hin zu einer robusten semi-überwachten Layoutschätzung, die viele Anwendungen in der 3D-Wahrnehmung bei begrenzten annotierten Daten ermöglicht.