非视距成像论文速览 | NeurIPS 2023, Deep Non-line-of-sight Imaging from Under-scanning Measurements

最新推荐文章于 2025-02-26 09:30:00 发布
最新推荐文章于 2025-02-26 09:30:00 发布
阅读量873 收藏 12
点赞数 20
分类专栏： # 计算成像/非视距成像论文速递 文章标签： 非视距成像 NLOS NLOS imaging 论文速览 NeurIPS 2023 USTC
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qazwsxrx/article/details/134805983
版权
本文介绍了一种端到端的深度学习方法，用于从低采样的非视距成像测量中高效重建隐藏物体。该方法包括瞬态恢复网络和体积重建网络，即使在极低采样率下也能实现高质量的细节重建，比传统方法快50倍。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

注1:本文系“最新论文速览”系列之一,致力于简洁清晰地介绍、解读最新的顶会/顶刊论文

非视距成像论文速览 | NeurIPS 2023, Deep Non-line-of-sight Imaging from Under-scanning Measurements

论文原文链接: https://openreview.net/pdf?id=JCN9YsZiwB
作者: Yue Li Yueyi Zhang∗ Juntian Ye Feihu Xu Zhiwei Xiong

  • University of Science and Technology of China
  • {yueli65,jt141884}@mail.ustc.edu.cn
  • {zhyuey,feihuxu,zwxiong}@ustc.edu.cn

在这里插入图片描述

  • 摘要
了解本专栏 订阅专栏 解锁全文 超级会员免费看
论文速览 NeurIPS 2023 | Deep Non-line-of-sight Imaging from Under-scanning Measurements | 从欠扫描中恢复隐藏场景
NLOS的博客
04-01 235
非视距成像技术具有广阔的应用前景，但现有的主动式全视场技术面临着数据采集效率低下的瓶颈。针对这一挑战，作者首次将深度学习方法引入该领域，提出了一种端到端的网络架构。该架构分为两个模块:瞬时测量恢复网络(TRN): 以极少量的稀疏测量数据为输入，通过多核特征提取、多级融合等模块恢复出密集的高分辨率瞬时测量数据。体数据重建网络(VRN): 在线性光传输模型的基础上构建模块化的神经网络，从恢复后的密集测量数据中重建出 3D 隐形场景。引入体数据优化子模块和新的正则化损失函数来提高重建质量。
Nature Comm., 2023 | Non-line-of-sight Imaging with Arbitrary Illumination and Detection Pattern
NLOS的博客
08-08 388
在计算机视觉和机器人领域，非视距(NLOS)成像是一个非常重要的研究方向。NLOS成像的目标是通过障碍物（例如墙壁、门、窗户等）的反射，重建被遮挡的目标的形状，这在机器人视觉、自动驾驶、救援行动和遥感等应用中非常有价值。然而，现有的NLOS成像算法通常需要在较大区域的中继表面上进行密集测量，这严重限制了它们在实际应用中的可用性。为了解决这个问题，Liu等人在2023年的。
非视距(非视域)成像(Non-Line-of-Sight,NLOS Imaging) Github开源代码合集
NLOS的博客
07-13 4220
[]S. Xin, S. Nousias, K. N. Kutulakos, A. C. Sankaranarayanan, S. G. Narasimhan, and I. Gkioulekas, “A Theory of Fermat Paths for Non-Line-of-Sight Shape Reconstruction,” CVPR 2019 github:https://github.com/cmu-ci-lab/nlos_fermat_path MATLAB, []W. ...
论文阅读 激光脉冲主动非视距成像+深度学习 || Learned Feature Embeddings for Non-Line-of-Sight Imaging and Recognition
NLOS的博客
12-12 2707
论文原文： Wenzheng Chen, FangyinWei, Kiriakos N. Kutulakos, Szymon Rusinkiewicz, and Felix Heide. 2020. Learned Feature Embeddings for Non-Line-of-Sight Imaging and Recognition. ACM Trans. Graph. 39, 6, Article 230 (December 2020), 18 pages. https://doi.org/1
TPAMI 2024 | 基于欠采样数据的非视距成像的曲率正则化
小白学视觉
02-26 192
非视距（Non-line-of-sight, NLOS）成像旨在通过多次漫反射后的飞行时间光子信息重建三维隐藏场景。欠采样的扫描数据可以加速成像过程，但由此产生的重建问题成为一个严重的病态逆问题，其解由于噪声和失真而极有可能退化。在本文中，我们提出了基于曲率正则化的新型NLOS重建模型，即对象域曲率正则化模型和双域（信号和对象）曲率正则化模型。接下来，我们开发了基于交替方向乘子法（ADMM）和回溯步长规则的高效优化算法，所有求解器都可以在GPU上实现。我们在合成数据集和真实数据集上评估了所提出的算法，这些算
CVPR2019论文列表（中英对照）
热门推荐
dovings的博客
07-04 1万+
CVPR论文列表，中英对照
CVPR2019论文题目中文列表
qq_33581906的博客
11-18 7249
英文题目 中文题目 Finding Task-Relevant Features for Few-Shot Learning by Category Traversal 少镜头学习中用类别遍历法寻找任务相关特征 Edge-Labeling Graph Neural Network for Few-Shot Learning 用于少镜头学习的边缘标记图神...
学生证书_2025-06-10.zip
06-10
学生证书_2025-06-10.zip
深度学习Transformer架构详解：Encoder-Decoder模块功能及LoRA微调技术在机器翻译中的应用
06-10
内容概要：文档详细介绍了Transform架构中Encoder和Decoder模块的工作机制。Encoder模块将输入信息编码成特征向量序列，每个向量融合了输入序列不同位置的信息，维度与输入嵌入相同。Decoder模块接收Encoder的输出，通过一系列操作生成最终的输出，包括使用Masked Multi-Head Attention模块防止模型提前获取未来信息。两者结构相似但Decoder额外包含一层encoder-decoder attention layer。文档还阐述了从输入“我爱中国”到输出“I Love China”的具体解码过程，以及lora微调方法，即通过调整注意力层或前馈层的W矩阵来优化模型性能，减少参数更新数量。 适合人群：对深度学习和自然语言处理有一定了解的研究人员和工程师。 使用场景及目标：①理解Transform架构中Encoder和Decoder的具体工作流程；②掌握lora微调方法及其应用场景；③提高对Transformer模型内部机制的理解，以便更好地进行模型优化和应用开发。 阅读建议：由于文档涉及较多技术和数学概念，建议读者在阅读过程中结合相关理论知识进行理解，并尝试动手实践，加深对模型内部运作机制的认识。
2007-2009年黄海海底环境参数数据集.rar
06-10
1.版本：matlab2014/2019a/2024a 2.附赠案例数据可直接运行。 3.代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 4.适用对象：计算机，电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。
158-基于springboot+vue的员工考勤管理系统视频.zip
06-10
java+vue+springboot 源代码+配套文档+教程
【图像去噪】基于matlab ADMM遥感图像去条纹噪声（含SSIM PSNR）【含Matlab源码 13499期】.zip
最新发布
06-10
Matlab领域上传的视频是由对应的完整代码运行得来的，完整代码皆可运行，亲测可用，适合小白； 1、从视频里可见完整代码的内容 主函数：main.m； 调用函数：其他m文件；无需运行 运行结果效果图； 2、代码运行版本 Matlab 2019b；若运行有误，根据提示修改；若不会，私信博主； 3、运行操作步骤 步骤一：将所有文件放到Matlab的当前文件夹中； 步骤二：双击打开main.m文件； 步骤三：点击运行，等程序运行完得到结果； 4、仿真咨询 如需其他服务，可私信博主； 4.1 博客或资源的完整代码提供 4.2 期刊或参考文献复现 4.3 Matlab程序定制 4.4 科研合作
LATEX中的数学符号表示
06-10
LATEX中的数学符号表示
【快消品行业】折扣店快消品定价策略与方法研究：影响因素、技巧及案例分析
06-10
内容概要：本文深入探讨了折扣店快消品定价的研究，涵盖快消品与折扣店行业的概述、定价影响因素、定价策略、定价方法、定价技巧及案例分析。快消品行业涉及日常生活用品、食品、饮料等，具有高频次和重复购买的特点。折扣店市场规模不断扩大，主要参与者包括赵一鸣、好特卖等。影响定价的因素包括成本（生产、库存、物流）、市场需求（规模、购买力、需求弹性）、竞争（对手定价策略、市场份额）、产品特性（差异化、品牌形象）、渠道与分销成本、政府政策等。定价策略分为成本导向（成本加成、目标收益）、需求导向（理解价值、需求差异）和竞争导向（随行就市、投标定价）。定价方法包括市场调研、成本加成、竞争比较和价值定价。定价技巧涵盖高价撇脂、渗透定价、价格歧视和捆绑定价。最后通过好特卖、嗨特购、零食很忙的案例分析，展示了不同折扣店的定价策略及其效果。 适合人群：从事快消品行业、折扣店运营的管理人员及对定价策略感兴趣的商业人士。 使用场景及目标：①帮助折扣店管理者了解定价的基本理论和实际操作方法；②为快消品企业提供定价决策支持，优化定价策略；③通过案例分析，提供实际操作中的经验和教训。 其他说明：折扣店在制定快消品定价时，应综合考虑多种因素，灵活运用不同的定价策略和技巧，以应对市场变化，提升竞争力。建议企业定期监控市场动态，分析消费者反馈，不断优化定价方案。
UserAgentUtils是一个用于解析HTTP请求中User-Agent字符串的Java类库UserAgentUtils-1.13.jar
06-10
UserAgentUtils是一个用于解析HTTP请求中User-Agent字符串的Java类库UserAgentUtils-1.13.jar
从OpenIris预订系统生成的总发票中生成单个发票的Matlab软件.rar
06-10
1.版本：matlab2014/2019a/2024a 2.附赠案例数据可直接运行。 3.代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 4.适用对象：计算机，电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。
347-基于web的景区管理系统.zip
06-10
java+vue+springboot源代码+配套文档+教程
226-基于SpringBoot+Vue的秦兵马俑博物馆小程序.zip
06-10
java+vue+springboot 源代码+配套文档+教程
233-[springboot]SpringBoot付费选座自习室小程序.zip
06-10
java+vue+springboot 源代码+配套文档+教程
virtual mirrors: non-line-of-sight imaging beyond the third bounce
01-11
虚拟镜像（Virtual mirrors）是一种非线性传播路径的成像技术，超越了传统的光线反射或折射的限制。通常情况下，我们通过直接观察或使用传统镜子来实现成像。然而，虚拟镜像技术能够在第三次反射以外的区域进行成像。 传统镜子依赖于光线的反射或折射来反射图像。然而，当光线与镜子表面的角度变得较大时，镜像就会变得不清晰或消失。而虚拟镜像技术则利用了光的散射和反射的原理，通过对光线进行计算模拟，使得即使在光线无法直接到达的位置，也能够生成清晰的图像。 在实际应用中，虚拟镜像技术有着广泛的应用。其中一个重要的领域是医学成像。通过虚拟镜像技术，医生可以在术中实时观察患者内部的情况，而无需实际进行切割操作。这种非线性成像技术的应用使得手术更加安全和精确。 此外，虚拟镜像技术还可以应用于安全领域。比如，对于一些无法直接监控的区域，例如角落和盲点，虚拟镜像的应用可以通过计算模拟来实现监控。 虚拟镜像技术虽然在成像范围上有所限制，但通过计算和模拟，可以实现传统技术无法达到的更广阔的成像视野。随着技术的发展，虚拟镜像技术在各个领域的应用前景令人期待。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

不再更新，请勿购买！！

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值