Des structures géométriques significatives peuvent être décrites de manière concise par des maillages globaux dans l'estimation de la disposition d'une pièce en 3D à partir d'une seule image panoramique. À partir de cette observation, nous présentons une approche alternative pour estimer les murs dans l'espace 3D en modélisant des motifs géométriques à longue portée au sein d'un bloc de Transformation de Hough apprenable. Nous transformons la caractéristique d'image d'un pavé cubique vers l'espace de Hough d'un monde de type Manhattan et cartographions directement la caractéristique sur la sortie géométrique. Les couches convolutionnelles non seulement apprennent les caractéristiques linéaires locales similaires aux gradients, mais utilisent également les informations globales pour prédire avec succès les murs occultés grâce à une structure réseau simple. Contrairement à la plupart des travaux précédents, les prédictions sont effectuées individuellement sur chaque pavé cubique, puis assemblées pour obtenir l'estimation de la disposition. Les résultats expérimentaux montrent que nous obtenons des résultats comparables aux méthodes récentes de pointe en termes de précision et de performance des prédictions. Le code source est disponible à l'adresse suivante : https://github.com/Starrah/DMH-Net.