窗口傅立叶混合器：利用傅立叶变换增强无杂波空间建模
内容提要
该文汇总多项室内3D重建研究，涵盖可学习Hough变换预测墙壁、二维图像建筑语义提取、三维布局估计改进、单视角房间布局重建、FFINet视频帧预测、混合架构提升重建质量、神经隐式建模实现大型室内场景最先进重建、自动移除杂物并修复3D场景、傅里叶拼贴提升表示精度，以及WavePaint以更少参数实现图像修复。
延伸解读
技术脉络：从几何预测到神经重建
文章汇总的研究覆盖了室内3D重建的多个技术方向：早期工作侧重几何预测，如可学习Hough变换预测墙壁、单视角布局重建；近期则转向神经隐式建模和混合架构，以提升重建质量。这种演进反映了该领域从显式几何推理向数据驱动、隐式表示的发展趋势。
关键突破：傅里叶变换与神经隐式建模
傅里叶变换在多项研究中扮演核心角色：FFINet利用快速傅里叶Inception网络进行视频帧预测，傅里叶拼贴通过可学习空间掩码分配频率基函数，在INR任务中显著提升重构质量（PSNR提高3dB以上，3D重建IoU达98.81）。神经隐式建模则通过多种正则化策略和深度先验，在仅依赖图像的情况下实现大型室内场景的最先进重建。
实用价值：自动清理与高效修复
文章还介绍了面向实际应用的系统：自动移除3D场景杂物并修复缺失部位，解决了3D分类和3D修复问题；WavePaint基于小波变换的神经网络，以更少参数实现与最先进模型相当的图像修复效果。这些工作降低了人工干预需求，提升了重建流程的自动化程度和效率。
Q&A
如何利用傅立叶变换进行无杂波空间建模？
文章提出窗口傅立叶混合器，通过可学习的空间掩码将不同频率的傅里叶基函数分配给各个区域，实现傅里叶拼贴，从而准确表示复杂信号，增强无杂波空间建模。
傅立叶拼贴在3D重建中的效果如何？
实验表明，傅立叶拼贴方法在3D重建任务中达到了98.81的IoU和0.0011的Chamfer距离，相比基线模型有显著提升。
WavePaint模型有什么特点？
WavePaint是一种基于WaveMix的全卷积神经网络，采用2D离散小波变换进行空间和多分辨率的令牌混合，用于图像修复，与最先进模型相比参数更少且具有相当的泛化性。
如何自动移除3D场景中的杂物并修复？
文章提出一种自动系统，在3D场景中移除杂物并填补缺失部位，解决了3D分类和3D修复两个关键问题，实现了杂物与纹理准确的合成，实验表明在杂物分割和3D修复方面表现优秀。
神经隐式建模如何实现大型室内场景重建？
文章提出一种新颖的神经隐式建模方法，利用多种正则化策略，仅依赖图像实现大型室内环境重建。通过稀疏但准确的深度先验将场景锚定到初始模型，引入密集但精度较低的深度先验，并采用自监督策略规范表面法线，以及可学习的曝光补偿适应复杂光照。实验表明在挑战性室内场景中产生了最先进的3D重建结果。
FFINet在视频帧预测中有什么创新？
FFINet是基于全卷积快速傅里叶Inception网络的视频预测方法，包括遮挡修复器和时空转换器两个组件，并将恢复损失纳入目标函数进行模型优化，以生成更逼真、高质量的未来帧，解决连续复杂运动和场景遮挡问题。
