TRAINING DEVICE, THREE-DIMENSIONAL RECONSTRUCTION DEVICE, TRAINING METHOD, THREE-DIMENSIONAL RECONSTRUCTION METHOD, AND PROGRAM

A training device (1) according to the present disclosure trains a layout estimation model comprising an image feature extractor (11) that extracts features from a panoramic image, a feature processor (12) that has an encoder for performing global feature processing and a bidirectional LSTM for performing local feature processing, and receives input of the extracted features to generate an encoded vector for which an autocorrelation of the panoramic image is taken into account, and a feature decoder (13) that receives input of the encoded vector to generate an output vector indicating, for each column of the panoramic image, boundary positions between the ceiling and wall surfaces, boundary positions between the floor and the wall surfaces, and probabilities of existence of boundaries between the wall surfaces. Un dispositif d'entraînement (1) selon la présente divulgation entraîne un modèle d'estimation de disposition comprenant un extracteur de caractéristiques d'image (11) qui extrait des caractéristiques d'une image panoramique, un processeur de caractéristiques (12) qui comporte un codeur permettant d'exécuter un traitement de caractéristiques globales et un LSTM bidirectionnel permettant d'exécuter un traitement de caractéristiques locales, et reçoit une entrée des caractéristiques extraites pour générer un vecteur codé pour lequel une autocorrélation de l'image panoramique est prise en compte, et un décodeur de caractéristiques (13) qui reçoit une entrée du vecteur codé pour générer un vecteur de sortie indiquant, pour chaque colonne de l'image panoramique, des positions de limite entre les surfaces de plafond et de paroi, des positions de limite entre le plancher et les surfaces de paroi, et des probabilités d'existence de limites entre les surfaces de paroi. 本開示に係る学習装置（１）は、記パノラマ画像から特徴量を抽出する画像特徴抽出器（１１）と、大域的な特徴量処理を行うエンコーダと、局所的な特徴量処理を行う双方向ＬＳＴＭとを有し、前記特徴量を入力し、前記パノラマ画像の自己相関を考慮したエンコードベクトルを生成する特徴量処理器（１２）と、前記エンコードベクトルを入力し、前記パノラマ画像の列ごとに、天井及び壁面の境界位置と、床面及び壁面の境界位置と、壁面同士の境界の存在確率とを示す出力ベクトルを生成する特徴量復号器（１３）と、を備えるレイアウト推定モデルを学習する。