(a), För att rekonstruera det osynliga föremålet, vissa ljuskällor används för att belysa en synlig vägg. Fotonerna som studsar tillbaka från objektet detekteras på flera punkter på den synliga väggen. (b), Grundsanningen och vår rekonstruktion. X, y- och z-komponenterna visas i sina absoluta värden. (c), Flödesschema över algoritmen. Den föreslagna regulariseringsramen inkluderar gleshet och icke-lokal självlikhet hos det dolda föremålet samt jämnhet hos signalen. Två ortogonala ordböcker används för att fånga de lokala strukturerna och icke-lokala korrelationerna för det dolda målet. Den uppskattade signalen och de inlärda mönstren för målet visas till vänster. Rekonstruerad albedo visas till höger. Kredit:Xintong Liu, Jianyu Wang, Zhupeng Li, Zuoqiang Shi, Xing Fu, Lingyun Qiu
Non-line-of-sight (NLOS) avbildning syftar till att återställa mörka föremål från flera spridda ljus. Den har nyligen fått stor uppmärksamhet på grund av dess potentiella tillämpningar som autonom körning, räddningsinsatser, och fjärranalys. I verkliga applikationer, lasrar eller andra ljuskällor används för att belysa en synlig vägg, det spridda ljuset som når det dolda föremålet och sprids tillbaka igen. Fotonerna som samlas in av detektorer kan användas för att återställa platsen, form, albedo, och målets normal. Dock, mätningarna är oundvikligen skadade av brus, vilket är ett av de stora hindren för att få rekonstruktioner av hög kvalitet. När mätljudet är högt, målen som rekonstrueras med befintliga metoder är vanligtvis bullriga med suddiga gränser.
I en ny tidning publicerad i Ljusvetenskap och tillämpning , ett team av forskare, ledd av professor Xing Fu från institutionen för precisionsinstrument, Tsinghua-universitetet, Kina, och professor Lingyun Qiu från Yau Mathematical Sciences Center, Tsinghua-universitetet, Kina, har utvecklat ett enhetligt ramverk för högkvalitativa och bullerstarka NLOS-rekonstruktioner. Tekniken är baserad på kollaborativ regularisering av signalen och det rekonstruerade objektet, kallas SOCR-metoden (signal-object collaborative regularization).
Till skillnad från tidigare verk som använder råmåtten som indata direkt, en approximation av den ideala signalen introduceras i SOCR-ramverket. Den utformade regulariseringstermen fokuserar på glesheten och den icke-lokala självlikheten hos det dolda objektet samt jämnheten hos den uppskattade signalen. Detta nyutvecklade ramverk är kraftfullt för att rekonstruera både albedo och ytnormalen för de dolda målen under de allmänna icke-konfokala inställningarna. De erhållna rekonstruktionerna har tydliga lokala strukturer, skarpa gränser, och lite brus i bakgrunden, även i närvaro av kraftigt brus i råmätningar. Den rapporterade metoden och tekniken kommer att öppna nya vägar för igenkännings- och klassificeringsuppgifter inom autonom körning, räddningsinsatser, och fjärranalys i framtiden.
Dessa forskare sammanfattar den operativa principen för deras återuppbyggnadsram:
"Vi utformar den kollaborativa regulariseringstermen under tre antaganden:(1) Det rekonstruerade målet är sparsamt i rekonstruktionsdomänen; (2) Lokala strukturer av det dolda objektet upprepas många gånger i rekonstruktionsdomänen; (3) Signalen som motsvarar det rekonstruerade objektet. målet är jämnt."
"Det föreslagna ramverket kan även användas som en plug-in-modul i olika fysiska modeller. Dessutom den föreslagna termen för kollaborativ regularisering kan förenklas ytterligare för att tillgodose fall där endast albedot behöver rekonstrueras, " lade de till.
"I den föreslagna termen för kollaborativ legalisering, två ordböcker används för att fånga de lokala strukturerna och icke-lokala korrelationerna för scenen utanför direkt synfält. Ordboksatomerna och deras motsvarande koefficienter kan ses som egenskaper hos det rekonstruerade målet, som kan användas för ytterligare uppgifter, såsom igenkänning och klassificering i olika tillämpningar, ", förutspår forskarna.
