少量先验数据下任意场景条件和检测模式的被动非视域成像
光学
2024-09-02 v2
摘要
被动非视域成像（Passive Non-Line-of-Sight, NLOS）需要在没有外部可控光源的情况下重建无法直接看到的物体。它可以广泛应用于反恐、城市战、自动驾驶和机器人视觉等领域。现有的被动NLOS方法通常需要大量的先验信息和大量的计算资源来建立光传输矩阵或训练神经网络。这些约束给将模型迁移到不同的NLOS场景带来了重大挑战。因此，当前被动NLOS成像的紧迫问题在于：是否有可能在少量先验知识下估计出对应于中继表面和场景的光传输矩阵，以及目标的具体分布。在这项工作中，我们假设了一个高维流形，并在数学上证明了其存在性。在这个高维流形中，被遮挡目标的结构信息受到的干扰最小。因此，我们提出了一个通用框架，称为高维投影选择（High-Dimensional Projection Selection, HDPS），它可以建立这个高维流形，并将其投影输出到低维的对应表面上。HDPS可以应用于大多数成熟的网络架构，并且仅需极少的先验数据即可估计目标和相机获取的光斑的分布。当然，借助估计的信息，它可以建立由目标和输入组成的高维流形。实验表明，我们的框架即使应用于最基本的网络结构，也能以显著更少的先验数据获得更高精度的结果。因此，我们的方法使得被动NLOS场景能够通过有限的先验数据和计算资源重建目标。
引用
@article{arxiv.2404.06015,
title = {Passive None-line-of-sight imaging with arbitrary scene condition and detection pattern in small amount of prior data},
author = {Yunting Gui and Yuegang Fu and Xueming Xiao and Meibao Yao},
journal= {arXiv preprint arXiv:2404.06015},
year = {2024}
}