[论文解读] Floor-SP: Inverse CAD for Floorplans by Sequential Room-wise Shortest Path

Jiacheng Chen, Chen Wang+2 more|arXiv (Cornell University)|Aug 19, 2019

3D Surveying and Cultural Heritage参考文献 20被引用 6

一句话总结

Floor-SP 提出了一种新颖的逆向 CAD 方法，通过将顺序的逐房间坐标下降优化公式化为最短路径问题，实现从 RGBD 扫描中重建剖面图。该方法在 527 个真实公寓场景中达到最先进性能，显著优于以往方法，尤其在非曼哈顿结构和遮挡场景中表现更优，避免了对脆弱的角点/边缘检测的依赖，转而通过深度学习引导的数据项优化一致性与模型复杂度。

ABSTRACT

This paper proposes a new approach for automated floorplan reconstruction from RGBD scans, a major milestone in indoor mapping research. The approach, dubbed Floor-SP, formulates a novel optimization problem, where room-wise coordinate descent sequentially solves dynamic programming to optimize the floorplan graph structure. The objective function consists of data terms guided by deep neural networks, consistency terms encouraging adjacent rooms to share corners and walls, and the model complexity term. The approach does not require corner/edge detection with thresholds, unlike most other methods. We have evaluated our system on production-quality RGBD scans of 527 apartments or houses, including many units with non-Manhattan structures. Qualitative and quantitative evaluations demonstrate a significant performance boost over the current state-of-the-art. Please refer to our project website http://jcchen.me/floor-sp/ for code and data.

研究动机与目标

• 为解决从 RGBD 扫描中重建拓扑未知且多变的剖面图的挑战，特别是在非曼哈顿和遮挡环境中。
• 通过转向基于环路的、以优化为驱动的方法，克服依赖原始几何体检测（如角点缺失导致墙体缺失）的自下而上方法的失效模式。
• 通过将剖面图重建表述为关于逐房间多边形环路的能量最小化问题，提升结构准确性和鲁棒性。
• 在不局限于曼哈顿几何结构的前提下，实现在大规模、生产级数据集上的高质量重建。

提出的方法

• 该方法首先通过实例语义分割（使用 Mask R-CNN）识别房间边界，将剖面图推理简化为多个多边形环路的重建。
• 其全局优化问题包含三个组成部分：数据项（由深度神经网络引导）、一致性项（鼓励相邻房间共享角点/墙体）以及模型复杂度项（惩罚过多角点）。
• 优化采用逐房间坐标下降策略，逐个房间求解最短路径问题，以优化角点位置和连接关系，同时保持与邻近房间的一致性。
• 该方法通过直接优化角点位置和环路结构，避免了显式原始几何体检测，因此对噪声或缺失的低级检测结果具有鲁棒性。
• 后处理启发式方法将单个房间图合并为统一的二维剖面图。
• 系统处理对齐的 RGBD 全景图的俯视投影，摒弃完整 3D 几何结构，专注于 2D 剖面图结构。

实验结果

研究问题

• RQ1 顺序的、逐房间的优化策略是否能在从 RGBD 扫描中重建复杂剖面图方面优于自下而上的原始几何体检测方法？
• RQ2 与现有方法相比，基于最短路径的多边形环路优化在遮挡和非曼哈顿几何结构中如何提升鲁棒性？
• RQ3 深度学习引导的数据项与一致性约束在不依赖角点/边缘检测的前提下，能在多大程度上提升重建准确性？
• RQ4 该方法是否能在包含非曼哈顿场景的多样化建筑结构的大规模真实数据集中实现高性能？
• RQ5 在迭代优化中，对单个房间进行坐标下降对纠正结构错误有何影响？

主要发现

• Floor-SP 在非曼哈顿和遮挡结构中相比当前最先进方法 FloorNet 实现了显著的性能提升，尤其在 FloorNet 因角点检测失败的场景中表现更优。
• 引入数据项和一致性项提升了房间级指标，而逐房间坐标下降策略进一步带来了性能增益。
• 在 94 个测试集上，Floor-SP 在房间级指标上的精确率和召回率均高于 FloorNet，尤其在处理缺失或模糊角点方面有显著改进。
• 即使在 Room++ 指标较低（如精确率/召回率为 0）的情况下，Floor-SP 的重建结果仍保持视觉合理且结构一致，表明其对分割和检测错误具有鲁棒性。
• 该方法成功恢复了非曼哈顿场景中难以处理的角点和墙体结构，而 FloorNet 因原始几何体缺失而失败。
• 可视化与定量结果证实，顺序优化过程在多轮迭代中纠正了错误，能量持续下降，结构质量逐步提升。