Ces dernières années ont vu une floraison de recherches dans les domaines de l'apprentissage semi-supervisé et de la reconstruction de la disposition des pièces en 3D. Dans ce travail, nous explorons l'intersection de ces deux domaines pour avancer vers l'objectif de recherche consistant à permettre une modélisation plus précise des scènes intérieures en 3D avec moins de données étiquetées. Nous proposons la première approche visant à apprendre les représentations des coins et des limites des pièces en utilisant une combinaison de données étiquetées et non étiquetées pour améliorer l'estimation de la disposition dans une scène panoramique à 360 degrés. À travers des expériences comparatives exhaustives, nous démontrons que notre approche peut améliorer l'estimation de la disposition des scènes intérieures complexes en utilisant aussi peu que 20 exemples étiquetés. Lorsqu'elle est associée à un prédicteur de disposition pré-entraîné sur des données synthétiques, notre méthode semi-supervisée atteint les performances d'une méthode entièrement supervisée en utilisant seulement 12% des étiquettes. Notre travail constitue une étape importante vers une estimation robuste et semi-supervisée de la disposition qui peut ouvrir la voie à de nombreuses applications en perception 3D avec des données étiquetées limitées.