우리는 자연 장면에서 의미 있는 선 구조, 즉 의미론적 선(semantic line)을 탐지하는 기초적인 과제에 초점을 맞춥니다. 이전의 많은 방법들은 이 문제를 객체 탐지의 특수한 경우로 간주하고 기존의 객체 탐지기들을 의미론적 선 탐지에 맞게 조정하였습니다. 그러나 이러한 방법들은 선의 본질적인 특성을 간과하여 최적의 성능을 달성하지 못하고 있습니다. 복잡한 객체와 비교해 선은 훨씬 간단한 기하학적 성질을 가지며, 따라서 몇 가지 매개변수로 간결하게 파라미터화할 수 있습니다. 선의 이러한 성질을 더 효과적으로 활용하기 위해 본 논문에서는 깊이 학습된 표현에 전통적인 후흐 변환(Hough transform) 기법을 통합하고, 선 탐지를 위한 단일 스텝(end-to-end) 학습 프레임워크를 제안합니다. 선을 기울기와 절편으로 파라미터화함으로써, 깊이 학습된 표현을 파라미터 도메인으로 변환하기 위해 후흐 변환을 수행하고, 그 도메인에서 선 탐지를 수행합니다. 구체적으로, 특징 맵 평면 상의 후보 선들에 따라 특징을 집계한 후, 이를 해당 파라미터 도메인 내의 대응 위치에 할당합니다. 그 결과, 공간 도메인에서 의미론적 선을 탐지하는 문제는 파라미터 도메인에서 개별 점을 식별하는 문제로 변환되며, 이는 후처리 단계인 비최대 억제(non-maximal suppression)의 효율성을 높입니다. 또한 본 방법은 특정 선과 가까운 선들 주변의 맥락적 선 특징(예: 특정 선 근처의 선들에 대한 특징)을 쉽게 추출할 수 있게 하여 정확한 선 탐지에 필수적인 정보를 제공합니다. 본 논문에서는 제안된 방법 외에도 선 탐지의 품질을 평가하기 위한 평가 지표를 설계하고, 선 탐지 작업을 위한 대규모 데이터셋을 구축하였습니다. 본 논문에서 제안한 데이터셋과 다른 공개 데이터셋에서의 실험 결과는 기존 최고 수준의 대안들에 비해 제안된 방법의 우수성을 입증합니다.