面向鲁棒非视域成像的噪声自适应神经算子
计算机视觉与模式识别
2026-04-01 v2
摘要
本工作已提交给 IEEE 以供可能发表。版权可能未经通知即被转让，此后此版本可能不再可访问。计算成像，特别是非视域（NLOS）成像，通过利用多次反射或散射产生的间接光信号，从被遮挡或隐藏的场景中提取信息。这些信号固有的微弱特性，加上其对噪声的敏感性，使得必须整合物理过程以确保精确重建。本文提出了一个针对 3D 成像重建中大规模线性问题的参数化逆问题框架。首先，采用噪声估计模块自适应地评估瞬态数据中存在的噪声水平。随后，开发了一个参数化神经算子来逼近逆映射，从而实现端到端的快速图像重建。我们基于算子学习的 3D 图像重建框架，通过深度算法展开构建，不仅提供了良好的模型可解释性，还能动态适应采集数据中变化的噪声水平，从而确保持续鲁棒且精确的重建结果。此外，我们引入了一种融合全局与局部时空数据特征的新方法。通过整合结构信息和细节信息，该方法显著提升了精确度和鲁棒性。在模拟和真实数据集上进行的全面数值实验证实了所提方法的有效性。它在快速扫描数据和稀疏照明点数据上均表现出卓越性能，为复杂场景下的 NLOS 成像提供了一种可行的解决方案。
引用
@article{arxiv.2508.09655,
title = {Noise-adapted Neural Operator for Robust Non-Line-of-Sight Imaging},
author = {Lianfang Wang and Kuilin Qin and Xueying Liu and Huibin Chang and Yong Wang and Yuping Duan},
journal= {arXiv preprint arXiv:2508.09655},
year = {2026}
}