私たちは、混雑した室内環境における三次元（3D）物体検出と空間配置予測のための新しい表現手法とアルゴリズムを開発しました。まず、2次元（2D）の外観と3次元（3D）の姿勢を結びつける「指向性勾配クラウド（Clouds of Oriented Gradient: COG）」記述子を提案します。これにより、透視投影が認識される画像勾配にどのように影響を与えるかを正確にモデル化できます。大規模な物体の3D視覚スタイルをよりよく表現し、小規模な物体検出を改善するための文脈的な手がかりを提供するために、潜在的な支持面（latent support surfaces）を導入しました。さらに、「マンハッタンボクセル（Manhattan voxel）」表現を提案します。この表現は一般的な室内環境の3D部屋配置幾何学をよりよく捉えます。効果的な分類規則は潜在構造予測フレームワークを通じて学習されます。カテゴリ間および配置との文脈的な関係は分類器のカスケードによって捉えられ、SUN RGB-Dデータベースにおいて最先端を超える包括的なシーン仮説が生成されます。