计算成像论文速递 | ICCV 2023, Enhancing Non-line-of-sight Imaging via Learnable Inverse Kernel and Attention

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

Enhancing Non-line-of-sight Imaging via Learnable Inverse Kernel and Attention Mechanisms

这篇文章提出了一个端到端的深度学习框架,通过在频域中学习可逆内核和注意力机制来提高神经网络学习NLOS成像的高频信息的能力。

• 简介

  • 非视距成像(NLOS)是通过脉冲激光和时间分辨检测器来成像隐藏物体的技术。
  • 大多数基于物理的NLOS成像方法通过假设三次反射和无自遮挡来简化问题。但是这些假设在具有大的深度变化的物体上会失效,导致无法准确重建高频信息。
  • 基于学习的方法可以避免这些假设,但是由于神经网络的频域偏置,它们在没有特定设计的情况下也会在重建细节时受到限制。
  • 本文提出了一种新方法,通过在频域中引入可学习的逆内核和注意力机制来解决这些问题。
    

• 相关工作

  • 基于物理的重建方法:简化光传输模型来线性化问题。
  • 基于学习的重建方法:利用学习的先验知识补偿高频信息损失。但是现有方法没有专门设计来解决大的深度变化场景下的高频信息损失问题。