초록
우리는 인공 환경에서 수평 소실점과 천정 소실점을 감지하기 위한 새로운 방법을 제안합니다. 기존 방법의 주요 경향은 먼저 후보 소실점을 찾고, 상호 직교성을 강제하여 이상치를 제거하는 것입니다. 우리의 방법은 이 과정을 역으로 수행합니다: 우리는 수평선 후보 집합을 제안하고, 각각이 포함하는 소실점에 따라 점수를 매깁니다. 우리 접근 방식의 핵심 요소는 딥 컨볼루션 네트워크로 추출한 전역 이미지 맥락을 사용하여 고려 중인 후보 집합을 제약하는 것입니다. 우리의 방법은 맨해튼 월드 가정(Manhattan-world assumption)을 하지 않으며, 단 하나의 수평 소실점만 있는 장면에서도 효과적으로 작동할 수 있습니다. 우리는 세 가지 벤치마크 데이터셋에서 접근 방식을 평가하였으며, 각각에서 최신 성능을 달성하였습니다. 또한, 우리의 접근 방식은 이전 최고 방법보다 훨씬 빠릅니다.