基于深度学习的实时被动非视线成像用于房间规模场景
Yuzhe Li1, Yuning Zhang1,2
1School of Electronic Science and Engineering, Southeast University, Nanjing 211189, China.
Sensors (Basel, Switzerland)
|October 16, 2024
概括
本研究介绍了一种实时被动非视线 (NLOS) 成像方法,用于重建隐藏的场景. 这种新的方法为智能家居安全和室内导航提供了潜力,同时保护隐私.
科学领域:
- 计算机视觉 计算机视觉
- 计算成像技术的成像
- 机器人技术 机器人技术 机器人技术
背景情况:
- 非视线成像 (NLOS) 能够在直接视线之外重建场景.
- 现有的NLOS方法在实时性能和对环境因素的稳定性方面面临挑战.
- 智能家居和导航中的应用需要高效和私密的传感解决方案.
研究的目的:
- 开发一个实时的被动NLOS成像方法,用于房间规模的隐藏场景.
- 为了提高智能家居安全和室内导航系统的隐私.
- 为NLOS成像引入一个强大而快速的重建网络.
主要方法:
- 提出了一个看不见的场景编码增强网络 (USEEN),这是一个针对NLOS成像量身定制的卷积神经网络.
- 实施了被动成像方法,减少了硬件复杂性并增强了隐私.
- 实现了每估计12.2毫秒的快速重建速度.
主要成果:
- 该USEEN证明了在扩散表面对环境光干扰的稳定性.
- 达到的峰值信号噪声比 (PSNR) 值为19.21dB (训练),15.86dB (验证) 和13.62dB (测试).
- 获得的结构相似度指数 (SSIM) 值为0.83 (培训),0.68 (验证) 和0.59 (测试),表现优于其他模型.
结论:
- 开发的实时被动NLOS成像方法对于房间规模的隐藏场景是有效的.
- USEEN显示了对于需要准确和实时NLOS成像的应用程序的巨大潜力,特别是在智能家居安全方面.
- 该方法为先进的传感系统提供了一种保护隐私的解决方案.
