通过基于学习的热光场重建来定位隐藏源
Optics express
|August 13, 2025
概括
本研究介绍了用于非视线 (NLOS) 热成像的神经网络框架. 它有效地从噪音数据中重建弱热信号,显著提高对象定位的准确性.
科学领域:
- 光学和光子学 在光学和光子学.
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 热非视线成像 (NLOS) 由于表面反射率低和在长波红外 (LWIR) 频谱中的分散散射而面临挑战.
- 传统的线性方法用于消除和消除热NLOS测量的模糊性,在恢复弱信号方面存在局限性.
研究的目的:
- 开发一个强大的框架,用于使用神经网络的热被动NLOS成像.
- 克服现有方法在重建来自噪音散射光场的弱热信号方面的局限性.
主要方法:
- 一个卷积神经网络 (CNN) 被开发和训练使用合成数据进行信号重建.
- 该框架重建了噪音分散的光场,以实现热NLOS成像.
- 实验验证是在小型热NLOS成像工作室中进行的.
主要成果:
- 美国有线电视新闻网成功地从现实生活中的杂热光场中恢复了极其弱的信号.
- 拟议的框架表明,与可比方法相比,对多个物体的源深估计的标准偏差提高了50%以上.
- 该方法优于利用先前了解散射表面的方法,提高了约25%的深度估计.
结论:
- 开发的神经网络框架为热被动NLOS成像提供了强大的解决方案.
- 该方法在具有挑战性的LWIR环境中提高了对象定位的准确性,而不需要先前了解表面特性.
- 这一进步对需要非视线热传感的各种应用具有重大意义.
