Ikke-line-of-sight rekonstruktion med signal-objekt kollaborativ regularisering

Non-line-of-sight (NLOS) billeddannelse sigter mod at genvinde skjulte objekter fra flere spredt lys. Det har for nylig fået bred opmærksomhed på grund af dets potentielle anvendelser såsom autonom kørsel, redningsaktioner, og fjernmåling. I rigtige applikationer, lasere eller andre lyskilder bruges til at belyse en synlig væg, det spredte lys, hvorfra når det skjulte objekt og spredes tilbage igen. Fotonerne opsamlet af detektorer kan bruges til at genskabe placeringen, form, albedo, og målets normal. Imidlertid, målingerne er uundgåeligt ødelagt af støj, hvilket er en af ​​de største forhindringer for at få rekonstruktioner af høj kvalitet. Når målestøjen er høj, målene, der er rekonstrueret med eksisterende metoder, er normalt støjende med slørede grænser.

I et nyt blad udgivet i Lysvidenskab og anvendelse , et hold af videnskabsmænd, ledet af professor Xing Fu fra Institut for Præcisionsinstrument, Tsinghua Universitet, Kina, og professor Lingyun Qiu fra Yau Mathematical Sciences Center, Tsinghua Universitet, Kina, har udviklet en samlet ramme for højkvalitets og støj-robuste NLOS-rekonstruktioner. Teknikken er baseret på kollaborativ regularisering af signalet og det rekonstruerede objekt, betegnes som Signal-object collaborative regularization (SOCR) metoden.

Forskellig fra tidligere værker, der bruger de rå målinger som inputdata direkte, en tilnærmelse af det ideelle signal introduceres i SOCR-rammen. Det designede regulariseringsudtryk fokuserer på sparsomheden og den ikke-lokale selvlighed af det skjulte objekt samt glatheden af ​​det estimerede signal. Denne nyudviklede ramme er kraftfuld til at rekonstruere både albedo- og overfladenormalen af ​​de skjulte mål under de generelle ikke-konfokale omgivelser. De opnåede rekonstruktioner har klare lokale strukturer, skarpe grænser, og lidt støj i baggrunden, selv ved tilstedeværelse af kraftig støj i råmålinger. Den rapporterede metode og teknik vil åbne nye veje for genkendelses- og klassificeringsopgaver inden for autonom kørsel, redningsaktioner, og fjernmåling i fremtiden.

Disse videnskabsmænd opsummerer det operationelle princip for deres rekonstruktionsramme:

"Vi designer det kollaborative regulariseringsudtryk under tre antagelser:(1) Det rekonstruerede mål er sparsomt i rekonstruktionsdomænet; (2) Lokale strukturer af det skjulte objekt gentages mange gange i rekonstruktionsdomænet; (3) Signalet svarende til det rekonstruerede målet er glat."

"Det foreslåede rammeværk kan også bruges som et plug-in-modul i forskellige fysiske modeller. det foreslåede udtryk for kollaborativ regularisering kan yderligere forenkles for at imødekomme tilfælde, hvor kun albedoen skal rekonstrueres, " tilføjede de.

"I den foreslåede kollaborative regulariseringsperiode, to ordbøger bruges til at fange de lokale strukturer og ikke-lokale sammenhænge af scenen uden for direkte synslinje. Ordbogsatomerne og deres tilsvarende koefficienter kan ses som træk ved det rekonstruerede mål, som kan bruges til yderligere opgaver, såsom anerkendelse og klassificering i forskellige applikationer, ", forudser forskerne.