È stato pubblicato sulla rivista Computer Graphics Forum l’articolo “State-of-the-art in deep learning approaches for automatic single-panorama indoor modeling and exploration”, firmato da Giovanni Pintore ed Enrico Gobbetti (CRS4), in collaborazione con due colleghi della Hamad Bin Khalifa University (Qatar).
Lo studio offre un’analisi approfondita delle tecniche più avanzate di deep learning per la ricostruzione e l’esplorazione di ambienti interni a partire da una singola immagine panoramica a 360°.
Le immagini panoramiche sono oggi ampiamente utilizzate per documentare ambienti indoor e creare tour virtuali, perché permettono di catturare l’intero spazio visibile da un unico punto di vista. Questa caratteristica le rende efficaci sia per analizzare forma, colore e struttura degli ambienti, sia per applicazioni immersive, ad esempio con visori di realtà virtuale.
Tuttavia, queste immagini presentano anche alcuni limiti fondamentali: non contengono informazioni geometriche esplicite, descrivono ambienti statici e, essendo acquisite da un solo punto di vista, soffrono di occlusioni e mancanza di parallasse. Questi fattori rendono difficile sia l’analisi degli ambienti che l’esplorazione tridimensionale realistica senza ulteriori elaborazioni che, in maniera intelligente, ricavino l’informazione mancante.
Il lavoro analizza come le più recenti tecniche di machine learning, computer vision e computer graphics permettano di superare questi limiti, inferendo rappresentazioni complete a partire da dati visivi limitati. In particolare, evidenzia il ruolo dei modelli di deep learning, che sfruttano conoscenze apprese da grandi dataset per ricostruire proprietà non direttamente osservabili.
Vengono, in particolare, descritte ed analizzate le soluzioni di machine learning per realizzare i principali passaggi necessari per trasformare una singola immagine panoramica in un modello strutturato ed esplorabile: dall’analisi geometrica e semantica a livello di pixel, alla stima della struttura degli ambienti interni, fino alla ricostruzione di spazi multi-stanza con un numero minimo di acquisizioni. Il lavoro affronta anche la sintesi di nuove viste per introdurre effetti di parallasse e le tecniche per l’esplorazione immersiva dei modelli ottenuti.
Oltre a esaminare i modelli e metodi più recenti, lo studio evidenzia l’emergere di modelli sempre più generali (vision foundation models), inclusi approcci specifici per dati panoramici, e propone una riflessione sulle principali direzioni di ricerca aperte e sulle applicazioni pratiche di queste tecnologie.
Questo contributo si inserisce nelle attività del settore Visual and Data-intensive Computing del CRS4 e riflette una linea di ricerca consolidata che integra visione artificiale, grafica computazionale, apprendimento automatico e tecniche avanzate di visualizzazione.
Il riferimento bibliografico completo è il seguente:
Pintore, G., Agus, M., Schneider, J. and Gobbetti, E. (2026), State-of-the-art in deep learning approaches for automatic single-panorama indoor modeling and exploration. Computer Graphics Forum e70396.
È inoltre disponibile un archivio pubblico su GitHub con materiali di riferimento e risorse utili per la comunità scientifica:
