基于贝叶斯方法的单光子激光雷达系统深度展开算法
图像与视频处理
2022-04-28 v1 计算机视觉与模式识别
摘要
在真实世界应用中部署三维单光子激光雷达成像面临诸多挑战，包括在强噪声环境下的成像。已有若干算法基于统计或学习框架来解决这些问题。统计方法能提供关于推断参数的丰富信息，但受限于所假设的模型相关结构；而深度学习方法虽展现出最先进的性能，却缺乏推断保证，阻碍其在关键应用中的广泛使用。本文将一种统计贝叶斯算法展开为一种用于单光子激光雷达数据鲁棒图像重建的新深度学习架构，即把算法的迭代步骤转换为神经网络层。所得算法兼具统计与学习框架的优势，在提升网络可解释性的同时给出最优估计。与现有基于学习的方案相比，所提架构所需可训练参数更少，对噪声与模型失配效应更具鲁棒性，并提供关于估计的更丰富信息（含不确定性度量）。在合成与真实数据上的结果表明，相较于最先进算法，其在推断质量与计算复杂度方面均具竞争力。
引用
@article{arxiv.2201.10910,
title = {A Bayesian Based Deep Unrolling Algorithm for Single-Photon Lidar Systems},
author = {Jakeoung Koo and Abderrahim Halimi and Stephen McLaughlin},
journal= {arXiv preprint arXiv:2201.10910},
year = {2022}
}