Pre-trained model은 novel view position, different lighting conditions, severe object occlusion과 같은 문제들로 인해 새로운 도메인에서 예측 성능이 떨어진다.이를 보완하기 위해 target dom

2개의 파노라마 이미지가 input으로 주어질 때 relative pose를 추정하는 연구Featureless region이 많거나 유사한 구조가 많은 이미지의 경우 feature-based 방식은 잘 작동하지 못하며 이를 보완하기 위해 denser RGB나 RGB-D

3D point cloud를 input으로 받아 instance segmentation을 하는 task로 기존의 detection-based, clustering-based 방식으로는 복잡한 geometric structure에서 잘 작동하지 못한다.본 논문에서는 su

$x\\in \\mathbb{P}^2=\\begin{bmatrix} x_1 \\ x_2 \\ 1\\end{bmatrix}$에서 $x\\in \\mathbb{P}^3=\\begin{bmatrix} x_1 \\ x_2 \\ x_3 \\ 1 \\end{bmatrix}$가 되

Euclidean space 내의 모든 point $p \\in \\mathbb{E}^3$는 three cartesian coordinates를 가지는 $\\mathbb{R}^3$ 내의 point와 동일하다.Euclidean space에서 vector $v$는 두 개의

본 연구에서는 Monte Carlo Localization(MCL) framework를 활용해 2D floor map에 대한 query panorama/perspective image가 주어졌을 때 camera pose를 찾는다.MCL은 generative framew

Conic(원뿔)은 plane에서 2차 방정식으로 나타낼 수 있는 curve를 의미하며 그 유형으로 hyperbola(쌍곡선), ellipse(타원), parabola(포물선)이 존재한다.이 유형들은 다른 orientation을 가지는 plane에 의해 만들어진다.원뿔

3D world에서의 object를 이미지로 mapping 하는 것은 projective transformation의 하나의 예시이다.이미지 상에서 사각형은 사각형이 아니고 원은 원이 아니며 평행한 선이 어떤 점에서 만나게 된다.즉, 각도, 거리, 거리비 등 geome

본 논문에서는 seed concept을 포함하는 다양한 scene을 제공해줄 수 있는 알고리즘을 제안한다.Scene graph expansion을 통해 seed graph에 새로운 object들을 추가하며 이 때 충족해야할 조건들은 다음과 같다.제안되는 추가 objec

Monocular depth estiation에서 supervised 방식은 대부분 pixel-level loss를 활용하며 이는 실제 3D scene의 regularity를 반영하지 못한다.3D scene의 geometric한 특성을 활용하기 위한 전형적인 방법으로

변화가 있는 3D map을 매번 최신 정보로 업데이트하는 것은 많은 비용이 들기 때문에 이러한 변화에도 robust한 localization을 하는 모델이 필수적이다.따라서, 본 논문에서는 regional color distribution을 이용하여 빠르고 변화에 ro

본 연구에서는 point cloud와 single query image가 주어질 때 camera pose를 추정하고자 한다.Rendering을 하여 photometric loss를 활용하는 방식은 ERP의 극 부분에서 나타나는 왜곡을 고려하기 위한 처리가 필요하며 연산

서버(A5000)의 compute capability에 비해 pytorch 버전이 낮아서 나타나는 문제로 보임(https://en.wikipedia.org/wiki/CUDA)cuda version 확인 시 11.1pytorch는 1.6으로 설치했다가 에러 확인

기존의 point cloud 3D object detection은 2D plane에 투영시켜 2D detector를 적용하는 view-based methods와 3D convolution을 적용하는 volumetric convolution-based methods를 활

본 논문에서는 비어있거나 일부 objects가 채워진 방이 room type(e.g. bedroom) 및 floor shape과 함께 주어질 때 새로운 object를 배치하는 모델을 만들고자 한다.$\\mathcal{X}={\\mathcal{X}\_1, ..., \\m

Vision-and-Language Navigation(VLN)은 agent가 language instruction에 따라 unseen environment에서 목적지로 도착하기 위한 task이다초기에는 step-by-step guidance로 세부적인 지시사항을 순차

본 논문에서는 room layout을 floor boundary와 room heigth로 표현한다.동일한 경도 간격으로 $N$개(논문에서는 256)의 point를 샘플링한 후 horizon-depth로 변환한다.HorizonNet에서는 floor/ceiling의 위도를

Scene graph $\\mathcal{S}=(O,R)$은 N개의 objects $O={oi}{i=1:N}$과 relationship matrix $R=(r\_{ij})\\in\\mathbb{R}^{N\\times N}$으로 구성$oi$는 object label, $

HorizonNet과 같은 기존의 Layout estimation 모델들은 2D Panorama 상에서의 좌표로 loss를 정의하지만 2D 상에서 동일한 오차가 서로 다른 depth value를 가지게 된다.\-> "horizon depth를 활용하자"벽과 floor/

Single RGB 이미지로부터 3D plane reconstruction을 하는 것은 매우 어려운 문제로 많은 prior가 필요하며 texture가 부족한 부분을 추출하기 위해 global 정보를 활용해야 한다는 challenge가 있다.CNN을 활용한 PlaneNe