论文名片
| 项目 | 内容 |
|---|---|
| 论文名 | Seg2Reg: Differentiable 2D Segmentation to 1D Regression Rendering for 360 Room Layout Reconstruction |
| 作者 | Cheng Sun、Wei-En Tai、Yu-Lin Shih、Kuan-Wei Chen、Yong-Jing Syu、Kent Selwyn The、Yu-Chiang Frank Wang、Hwann-Tzong Chen |
| 单位 | NVIDIA Research（台湾实验室）+ 台湾大学 |
| 发表 | CVPR 2024，pp. 10435--10445；arXiv:2311.18695（2023-11-30） |
| 一句话贡献 | 用可微渲染 把"2D分割"和"1D回归"这两条对立路线缝在一起 ------decoder 参数量从 92M 降到 0.015M ，精度反而更高，还能直接算出被遮挡的布局 |
名字拆解 ：Seg mentation（2D 分割）+ 2 → + Reg ression（1D 回归）= Seg2Reg。
一、先看清这个领域的一条"路线分裂"
全景布局估计从 2018 年 LayoutNet 以来，逐渐分裂成两个互不服气的阵营。论文 Fig.1 直接把这张"对立图"画了出来。
阵营 A：1D 回归派（主流 SOTA）
思路 ：把图像沿高度方向直接压缩，输出 3 条 1D 向量（天花板高度、地板高度、拐角概率），后处理极快。
通俗类比 ：就像你直接拿着笔沿着水平方向，一笔画出墙的上下边界，不用管中间细节。
代表：HorizonNet、LED²-Net、LGT-Net、DOP-Net
做法 ：给全景图的每一列直接回归几个数（天花板边界、地板边界、深度...）。
优点 ：直接输出几何，精度高。端到端训练、速度极快、模型轻量化。
两个毛病（论文点破）：
- "强大的 2D→1D decoder 是必需的" ------因为要把整张 2D 图压缩成一维再解压，这个 decoder 必须很大（动辄几十 M 参数）；
- 只能预测 "primary-view layout"（主视角布局） ------也就是相机原点能直接看见的那部分 。被沙发挡住的墙角、被墙挡住的凹角，它根本不输出。
类比：你站在房间中央，只能画出"视线没被挡住"的那部分轮廓。衣柜背后是什么？------回归派说：不归我管。
阵营 B：2D 分割派（传统方法）
思路 ：先输出整张 2D 的墙线、墙角概率图，再用霍夫变换、直线拟合、全局优化等复杂后处理，生成最终布局。
通俗类比 ：就像你先画一张模糊的墙线素描，再用尺子一点点去描直线、找拐角。
代表：LayoutNet 等早期像素级分类方法
做法：对每个像素分类------"这是墙面 / 天花板 / 地板 / 角点 / 边界"。
优点：
- 更低层、更好学（low-level，比直接回归几何简单）；
- 能建模被遮挡区域（因为它是逐像素的，可以在看不见的地方也"猜"一个类别）。
- 细节捕捉准，墙角、门洞的边缘位置精准，能捕捉局部复杂特征。
致命毛病：
需要一个"不可微"的后处理启发式（non-differentiable post-heuristic） 才能把分割图变成布局多边形------而且牺牲精度。
类比：分割派画了一张"哪里是墙"的涂色图，但你还得手工 把色块描成线条、连成多边形。这一步没法训练，误差在这里失控。
一句话总结这场对立
| 精度 | 遮挡 | 后处理 | decoder 大小 | |
|---|---|---|---|---|
| 回归派 | ✅ 高 | ❌ 不管 | 轻 | ❌ **巨大（92M）** |
| 分割派 | ❌ 低 | ✅ 能猜 | ❌ 重且不可微 | 小 |
Seg2Reg 的目标（论文原话）：
"aims to synergize the strengths of both（协同两边的优点）"
二、核心洞察：把布局表示成"密度场"，就能用 NeRF 的体渲染
这是整篇论文最漂亮的一步思想跳跃。
能不能既保留 2D 分割的细节精度，又有 1D 回归的端到端和速度？ Seg2Reg 的答案是：加一层可微渲染器。先让 2D 分割网络画好细节草稿，再用可微渲染器自动把草稿「描」成 1D 的精准边界线，整个过程可求导、能反向传梯度，全程端到端训练。
- 通俗类比：就像你先画一张详细的铅笔草稿（2D 分割），再用一个自动描边器（可微渲染）沿着草稿的灰度深浅，精准描出一条平滑的矢量轮廓线（1D 边界），最后再整体修顺线条（1D 精修）。既保留了草稿的细节，又得到了规整的矢量线条，全程自动，不用手动画。
2.1 关键改述
论文说：
"The key insight is to reformulate the 2D layout representation as 2D floor-plan density field ，allowing us to employ the classical volume rendering technique... which has recently gained great success in 3D NeRF modeling, to compute geometry information in a soft and differentiable manner."
翻译 ：不要预测"这个像素是不是墙"（二值分割），而是预测这一点的"密度"------像 NeRF 那样。
2.2 密度场怎么理解？
网络输出一张 2D density logit map（密度 logit 图） 
，铺在地面上：
| 位置 | 密度 |
|---|---|
| **房间内部（空地）** | 低密度（光能穿过去） |
| 墙 / 房间外面 | 高密度（光被挡住） |
类比：把房间俯视图想象成一片雾。空地是清雾，墙是浓雾。 你从相机位置射出一条光线，光线在雾里穿行，一路累积"被挡住的概率"------累积到一定程度，就撞到墙了。
2.3 体渲染：怎么从密度算出"墙有多远"？
对一条射线，采样 K 个点 
（由近到远）：
第 1 步：把 3D 采样点投影回 2D 密度图取值
人话：射线上的第 i 个点，落在地面哪个位置 → 去密度图上插值取一个密度值。
第 2 步：密度 → 不透明度（opacity）
其中 Δi 是该射线段投影到单位球面上的球面距离（这点很讲究------因为全景是球面，距离得按球面算）。
第 3 步：Alpha Blending 求期望距离
人话：
- Ti = "光线走到第 i 个点还没被挡住的概率"；
- Tiαi = "恰好在第 i 个点被挡住的概率"；
- 用它对距离 ti 加权求和 → 期望的"撞墙距离"。
这整个链条完全可微------梯度能从最终的距离误差，一路传回 2D 密度图。
2.4 为什么这招能"两全其美"？
| 需求 | 怎么满足 |
|---|---|
| 要像分割派一样好学 | 预测的是逐像素的密度图（低层、简单） |
| 要像回归派一样精确 | 用数学公式 （体渲染）把密度变成精确距离------不需要学一个巨大的 decoder |
| 要能处理遮挡 | 见下文"secondary views" |
| 要可微 | 全是 softplus / exp / 求和------没有不可微的后处理 |
一句话：decoder 从"学出来的百万参数"变成了"算出来的数学公式"。
三、核心技术 ①：Seg2Reg 渲染层
3.1 它替代了什么？
回归派的流程是：
2D 特征 → 【巨大的学出来的 decoder】→ 1D 每列几何Seg2Reg 的流程是：
2D 特征 → 2D 密度图 → 【体渲染公式（0 参数）】→ 1D 每列深度decoder 从"学"变成"算"------这就是参数量暴跌的原因。
3.2 论文自己强调的一点
"Our method achieves better accuracy with a thousand times fewer decoder parameters with the same backbone."
而且论文还做了个反向验证：
"The lightweight MLP-only design is shown to be inferior when functioning as a regression-based 1D decoder..."
意思是 ：光把 decoder 做小（纯 MLP）是不够的------必须换成"密度场 + 可微渲染"这套表示 。小 decoder 本身不是目的，换表示才是关键。
四、核心技术 ②：Secondary Views ------ 直接渲染被遮挡的布局
这是"occlusion-aware"的落点，也是回归派做不到的部分。
4.1 做法
"To inference the occlusion region, we sample additional cameras
from the interior region to render a set of N(secondary) layout polygons."
流程：
- 先渲染出 primary layout polygon（相机原点看得见的轮廓）；
- 在这个轮廓内部 再采样若干个"虚拟相机"
； - 对每个虚拟相机再渲染一次 ，得到 N(secondary) 个secondary layout polygons；
- 把这些多边形合并 → 补全被遮挡的部分。
训练 / 测试的区别（很讲究）：
| 阶段 | 内部区域从哪来 |
|---|---|
| 训练时 | 从 ground-truth 内部区域采样（有真值，采得准） |
| 测试时 | 从 primary layout polygon（自己预测的）采样 |
类比：你站在客厅，衣柜背后看不见。那就想象自己"瞬移"到客厅的另一个角落------从那个角度看，衣柜背后就露出来了。多瞬移几次，把看到的拼起来，整个客厅就补全了。
4.2 这解决了回归派的什么病？
回归派只能输出 primary-view layout （相机能直接看见的部分）------不是因为模型不够强，而是因为它的输出表示本身就不包含遮挡区域。
Seg2Reg 因为预测的是整张地面的密度场 ，密度场在看不见的地方也可以有值 → 换个相机位置再渲染一次，遮挡区域就出来了。
论文原话：不需要依赖启发式后处理就能直接估计遮挡布局（directly estimates occluded layouts without relying on heuristic post-processing）。
五、核心技术 ③：LayoutWarp ------ 在 3D 空间做数据增强
5.1 问题：PanoStretch 不够用
传统的 PanoStretch （全景拉伸）是布局估计的经典增强（HorizonNet 那讲出现过），但它是比较受限的 2D/几何变换。
5.2 LayoutWarp 的做法
论文的核心概念只有一句：
"applying geometric transformations in 3D space rather than on 2D images."
具体：
| 符号 | 含义 |
|---|---|
| {vi} | ground-truth 多边形的顶点 |
| h | 布局高度（层高） |
| Tv | 对多边形坐标做 3D 变换（扰动墙角位置） |
| Th | 对层高做变换 |
然后用**反向 warping（backward warping）**把原图变形，得到增强后的视图。
5.3 两种增强
| 增强 | 做什么 |
|---|---|
| Random camera height adjustment | 随机调整相机高度 |
| Random layout perturbation | 随机扰动**布局（墙角）** |
5.4 效果（Table 4）
| 增强配置 | MpLayout（3D IoU） | 跨数据集 overall | 跨数据集 irregular |
|---|---|---|---|
| **Basic（基础）** | 83.32 | 78.30 | 76.14 |
| w/ rand. perturb.（随机扰动布局） | 82.93 | 78.77 | 77.02 |
| w/ cam. height（随机相机高度） | 83.68 | 79.17 | 76.78 |
这是一个非常诚实、也非常有意思的权衡：
- 随机扰动布局 ：同数据集精度略降 （83.32 → 82.93），但跨数据集 irregular（非曼哈顿不规则房型）明显提升 （76.14 → 77.02）；
- 随机相机高度 ：三项全部提升（83.68 / 79.17 / 76.78）。
论文自己的总结：
"Random camera height adjustment achieves observable improvements on the same dataset and cross-dataset generalization . Random layout perturbation sacrifices overall accuracy but generalizes better when non-Manhattan input is presented."
类比：给运动员加练"高难度动作"------日常比赛成绩可能略降 （因为训练偏离了常规），但到了真正的怪场地反而稳。
这条规律很值得记住 ：增强的"怪"程度与"同分布精度"之间，往往存在交换。
六、损失函数：直接监督"alpha blending 的权重分布"
这是让整套可微渲染真正训得动的关键。
6.1 思路：不直接监督距离，而是监督"光线该在哪被挡住"
给定真值距离 
，论文推导出一个紧凑的权重分布 
：
人话：真值距离
落在第 k 和第 k+1 个采样点之间 → 把权重按线性插值分配给这两个点，其余点权重为 0。
6.2 用交叉熵去逼近这个分布
直觉：让模型学出来的"被挡住的概率分布" (Tiαi)，去匹配真值给出的分布
6.3 完整损失
| 项 | 监督什么 |
|---|---|
| L(pri.) | 主视角布局的渲染深度 |
| L(2nd) | secondary views（遮挡区域）的渲染深度 |
| L(seg.) | 二值分割损失------直接监督预测的密度 logit |
注意这里的关键点（论文特别强调）：
"it is crucial to train our segmentation-based representation with the regression objective ... Solely training with the segmentation objective results in lower accuracy."
意思是 ：光用分割目标训是不够的，必须用回归目标训 ------这正是 "Seg2Reg" 这个名字的真意：用 Reg 的目标去训 Seg 的表示。
七、训练与实现细节
| 项目 | 值 |
|---|---|
| **骨干（advanced setup）** | HRNet-18 |
| **骨干（basic setup）** | ResNet-34 |
| 还 benchmark 了 | SwinTransformer、ConvNeXt |
| 训练轮数 | 1000 epochs（ZInd 例外，200 epochs） |
| 优化器 | Adam ，lr = 1e-4 |
| 稳定训练 | 最后 20% epochs 用 SWA（随机权重平均） |
系统级贡献（论文四大贡献之一）：
把近期方法全部重实现 进 PanoLayoutStudio 这个 codebase，统一 backbone 和 training recipe，建立更强的 baseline 供公平比较。
这一点很值得尊敬：很多论文"超越 SOTA"是因为复现时对手没调好。Seg2Reg 反过来------先把对手调到最强，再比。
八、实验结果
8.1 Table 1：PanoLayoutStudio benchmark（MatterportLayout）
decoder 参数量 vs 3D IoU
| 方法 | # decoder params ↓ | 3D IoU(%) ↑ |
|---|---|---|
| HorizonNet | 52 M | 80.48 |
| HoHoNet | 30 M | 80.45 |
| LED²-Net | 52 M | 80.48 |
| LGT-Net | 92 M | 81.55 |
| Ours（ResNet-34） | 0.020 M | 81.08 |
| LGT-Net | 13 M | 82.26 |
| Ours（HRNet-18） | 0.015 M | 82.83 |
三条关键读法：
- 参数量的荒谬差距 ：LGT-Net 用 92M decoder 拿 81.55；Seg2Reg 用 0.015M 拿 82.83 ------参数少约 6000 倍，精度反而高 1.28 个点；
- 即使同配比较 ：Ours（ResNet-34，0.020M，81.08）vs LGT-Net（92M，81.55）------参数少约 4600 倍，精度只低 0.47；
- 论文总结："a thousand times fewer decoder parameters with the same backbone "------指 0.015M vs 13M（约 867 倍）。
这组数字是全篇最震撼的。它证明了一件事：这个任务里，decoder 里那几千万个参数，绝大部分是在"弥补表示方式的缺陷"------换个表示，它们就不需要了。
8.2 Table 2 (a)：MatterportLayout 测试集
| 方法 | 骨干 | 2D IoU(%) ↑ | 3D IoU(%) ↑ |
|---|---|---|---|
| LayoutNet v2 | ResNet-34 | 78.73 | 75.82 |
| LGT-Net | ResNet-50 | 83.52 | 81.11 |
| Ours | HRNet-18 | 85.27 | 82.83 |
3D IoU 82.83 ，比 LGT-Net 的 81.11 高 1.72 ；2D IoU 85.27 高 1.75。
而且注意：Ours 用的骨干是 HRNet-18（一个小骨干），LGT-Net 用的是 ResNet-50 。小骨干打赢大骨干------增益来自表示和渲染层，不是靠堆容量。
8.3 Table 2 (b)：ZInd 测试集（最大规模真实住宅）
| 方法 | 骨干 | 2D IoU(%) ↑ | 3D IoU(%) ↑ |
|---|---|---|---|
| HorizonNet | ResNet-50 | 90.44 | 88.59 |
| LGT-Net | ResNet-50 | 91.77 | 89.95 |
| Ours | HRNet-18 | 92.50 | 90.73 |
3D IoU 90.73，超过 LGT-Net 的 89.95（+0.78）；2D IoU 92.50（+0.73）。
8.4 Table 2 (c)：PanoContext + Stanford2D3D 测试集
| 方法 | 骨干 | 2D IoU(%) ↑ | 3D IoU(%) ↑ |
|---|---|---|---|
| LayoutNet v2 | ResNet-34 | 85.02 | 82.66 |
| LGT-Net | ResNet-50 | 85.16 | 86.03 |
| Ours | HRNet-18 | 87.23 | 87.24 |
3D IoU 87.24 ，比 LGT-Net 的 86.03 高 1.21 ；2D IoU 87.23 高 2.07。
这里有个有意思的现象：LGT-Net 在 PanoContext（85.16）和 Stanford2D3D（86.03）上差距较大 ，而 Seg2Reg 两者几乎持平（87.23 / 87.24）------说明它对不同房型的一致性更好。
8.5 四个基准汇总：Seg2Reg 全面第一
| 数据集 | Seg2Reg (2D / 3D IoU) | 最强对手 |
|---|---|---|
| MatterportLayout | 85.27 / 82.83 | LGT-Net 83.52 / 81.11 |
| ZInd | 92.50 / 90.73 | LGT-Net 91.77 / 89.95 |
| PanoContext | **87.23 / ---** | LGT-Net 85.16 / --- |
| Stanford2D3D | --- / 87.24 | LGT-Net --- / 86.03 |
8.6 Table 3：消融------"密度场"vs"二值分割"
在 valid split 上：
| 数据集 | 2D 表示 | 2D IoU(%) | 3D IoU(%) |
|---|---|---|---|
| MpLayout | binary seg.（二值分割） | 86.92 | 84.65 |
| MpLayout | **density field（密度场）** | 87.33 | 85.00 |
| ZInd | binary seg. | 91.21 | 89.46 |
| ZInd | density field | 92.05 | 90.39 |
增益：
| 数据集 | 2D IoU 增益 | 3D IoU 增益 |
|---|---|---|
| MpLayout | +0.41（论文明确写出） | +0.35 |
| ZInd | +0.84（论文明确写出） | +0.93 |
论文原话：把 2D 预测改述成 floor plan density field，能带来 +0.41 和 +0.84 的 2D IoU 提升（分别在 MatterportLayout 和 ZInd valid split 上）。
这一组消融极重要 ：它证明了核心创新不是"用了体渲染"这个噱头，而是"密度场"这个表示本身------同样是 2D 预测，密度场就比二值分割好。
九、优势与局限
✅ 优势
| 优势 | 说明 |
|---|---|
| 缝合了两条对立路线 | 分割的好学 + 回归的精确，兼得 |
| decoder 参数量暴跌 ~1000 倍 | 0.015M vs LGT-Net 13M / 92M，精度还更高 |
| 可微，无需后处理启发式 | 端到端，梯度直达 |
| 能直接估计遮挡布局 | secondary views 换视角渲染，回归派做不到 |
| 小骨干打赢大骨干 | HRNet-18 > ResNet-50 的 LGT-Net |
| 四个基准全面第一 | MpLayout 82.83、ZInd 90.73、S2D3D 87.24 |
| LayoutWarp 提升泛化 | 尤其对非曼哈顿（irregular）房型 |
| 系统级贡献 | PanoLayoutStudio 把对手都调到最强再比，公平且可复用 |
❌ 局限
| 局限 | 说明 |
|---|---|
| **没搞清为什么"偏好某些骨干"** | 论文原话："we have not identified the reasons why the proposed method... seems to favor certain backbones" |
| 加深骨干收益有限 | "Adding more backbone layers... offers limited advantages"------说明瓶颈不在骨干容量 |
| LayoutWarp 的变换函数未充分探索 | "the potential for customization through different layout transformation functions remains largely unexplored" |
| 随机布局扰动会牺牲同数据集精度 | 82.93 < Basic 83.32（换来更好的跨数据集泛化） |
| 依赖等距柱状（ERP）投影 | 公式里的 EqProj 是针对 ERP 设计的 |
| 依赖 secondary view 采样质量 | 测试时内部区域来自自己预测的 primary polygon------预测错了，采样也会错 |
| 依赖曼哈顿/几何假设的部分未明说 | 论文未明确声明对斜墙、圆弧墙的处理能力 |
十、在方法谱系中的位置
| 方法 | 输出表示 | decoder | 遮挡 |
|---|---|---|---|
| HorizonNet | 1D 每列边界 | 大（52M） | ❌ 不管 |
| LED²-Net | 1D + 深度监督 | 大（52M） | ❌ 不管 |
| LGT-Net | 1D 深度 + 高度 | 大（13--92M） | ❌ 不管 |
| DOP-Net | 解耦正交平面 | 大（137M） | 靠多视角 |
| Bi-Layout | 双布局（解歧义） | 102M | --- |
| **Seg2Reg（本篇）** | 2D 密度场 → 体渲染 | 0.015M | ✅ secondary views |
Seg2Reg 的独特价值在于它换了一个"根本性问题"：
前人问："怎么让 decoder 更好地从 2D 特征里解出 1D 几何？"（答案：加大 decoder）
Seg2Reg 问："如果 2D 表示本身就选对了，是不是根本不需要 decoder？"
答案是：对。用密度场 + 体渲染这个"算出来的 decoder"，0.015M 就够，而且更准。
和几篇"同类思想"的对照：
| 方法 | 共同哲学 |
|---|---|
| LED²-Net | 把损失挪到深度空间------**换"账本"** |
| Shape-Net | 用 3D 体积 IoU 当损失------**换"账本"** |
| RGCNet | 背景深度用几何算------能算的别学 |
| **Seg2Reg（本篇）** | decoder 用体渲染公式------能算的别学（且是极致版本） |
十一、一句话总结 + 四条可迁移的思路
Seg2Reg 抓住了这个领域一条持续多年的路线分裂：1D 回归派精度高但 decoder 巨大、且只能输出"相机看得见"的部分；2D 分割派好学、能猜遮挡，却要靠一个不可微的后处理把色块变成多边形，精度就在这步丢光。它的解法极其优雅------把 2D 表示从"逐像素分类"改成"地面密度场"，然后借用 NeRF 的体渲染：从相机射出光线，在密度场里采样、算不透明度、用 alpha blending 求出"墙有多远"。整个链条完全可微，于是 decoder 从"学出来的 92M 参数"变成了"算出来的数学公式"------0.015M，精度反而更高。遮挡怎么办？在预测出的房间内部再放几个虚拟相机，各渲染一次，拼起来就补全了。结果：MatterportLayout 82.83、ZInd 90.73、Stanford2D3D 87.24，四个基准全面第一，用的还是 HRNet-18 这个小骨干。
四条可以带走的思路：
- 当两个方案各有一半优点时，别急着二选一------先问"能不能换一个表示，让两边优点自动合并"。 回归 vs 分割吵了好几年。Seg2Reg 没有在两者间做取舍，而是把 2D 表示换成密度场 ，于是"好学"（分割性质）和"精确"（回归性质）同时成立 。遇到"A 好但 X 差、B 好但 Y 差"的两难时，往上追一层：是不是表示本身就选错了？
- 能"算"出来的，就别让网络"学"。 decoder 从 92M 降到 0.015M------不是因为网络被压缩了，而是因为那部分工作本来就有闭式解（体渲染公式）。 这和 RGCNet（背景深度用几何算）、PanoTPS（用 TPS 变形而非分割）是同一个哲学的极致版本：在堆参数之前，先列一列"这部分是不是有数学解"。
- 换视角是解决遮挡的最朴素武器。 主视角看不见的墙角 → 在房间内部再放几个虚拟相机各看一次。当你发现"从当前观测点信息根本不存在"时，别逼模型硬猜------换个观测点。（多视角全景融合那篇的图割方法也是这个思路的另一实现。）
- 增强的"怪"与"同分布精度"之间存在交换------要明确你要哪个。 随机布局扰动让同数据集精度从 83.32 掉到 82.93，却让非曼哈顿子集从 76.14 升到 77.02。增强不是越猛越好。 论文把这两种增强的效果分开报告 而不是只报最好的那个------这种诚实的消融，比单纯刷高分更有价值。
核心贡献
- 提出 Seg2Reg 可微渲染范式 ： 首次把 2D 分割到 1D 回归的过程做成可微网络层，架起了分割路线和回归路线的桥梁，兼顾了细节精度和端到端效率。
- 兼顾细节与速度 ： 既保留了 2D 分割的边缘细节优势，又有 1D 回归的轻量化、快后处理的优点，在复杂场景下精度优势明显。
- 高度兼容现有生态 ： 输出格式和 HorizonNet 完全一致，可直接复用其所有后处理、部署工具，工程落地成本低。
📖 名词小抄
| 名词 | 大白话 |
|---|---|
| Seg2Reg | 把 2D 分割表示可微地渲染成 1D 回归 |
| Primary-view layout | 相机原点直接看得见的那部分布局（回归派只能输出这个） |
| Floor-plan density field | 把布局表示成"地面上的密度图"------空地低密度、墙高密度 |
| **Volume rendering（体渲染）** | 借用 NeRF：沿射线采样、算不透明度、alpha blending 求期望距离 |
 |
密度 → 不透明度；Δi 是球面距离（全景是球面） |
 |
期望"撞墙距离"；Ti = 走到第 i 点还没被挡的概率 |
| Secondary views | 在预测房间内部 再采样虚拟相机，各渲染一次 → 补全遮挡区域 |
| LayoutWarp | 在 3D 空间变换 GT 多边形顶点 + 层高，再反向 warping 图像 |
| Random camera height | 随机调整相机高度的增强（三项全提升） |
| Random layout perturbation | 随机扰动墙角（同数据集略降，非曼哈顿泛化更好） |
 |
主视角 + secondary + 二值分割，三项损失 |
| 交叉熵监督权重分布 | 用真值距离推出  ，让模型学出的 Tiαi 去匹配它 |
| HRNet-18 / ResNet-34 | advanced / basic setup 的骨干 |
| SWA | 最后 20% epochs 用随机权重平均稳定训练 |
| **1000 epochs（ZInd 200）** | 训练轮数；Adam lr=1e-4 |
| PanoLayoutStudio | 本文开源 codebase：重实现近期方法 + 现代骨干/训练配方 |
| 0.015M vs 13M / 92M | decoder 参数量对比------少约 867~6000 倍 |