Curvature regularization for Non-line-of-sight Imaging from Under-sampled Data

要約

見通し外 (NLOS) イメージングは​​、見通し内で測定されたデータから 3 次元の隠れたシーンを再構築することを目的としています。
アンダーサンプリングされたスキャンデータは、高速イメージングを容易にすることができます。
しかし、結果として得られる再構成問題は深刻な不適切な設定の逆問題となり、その解はノイズや歪みによって劣化する可能性が高くなります。
この論文では、曲率正則化に基づく 2 つの新しい NLOS 再構成モデ​​ル、つまり、オブジェクト ドメイン曲率正則化モデルとデュアル (信号とオブジェクト) ドメイン曲率正則化モデルを提案します。
高速数値最適化アルゴリズムは、バックトラッキング ステップサイズ ルールを使用した乗数の交互方向法 (ADMM) に依存して開発され、GPU 実装によってさらに加速されます。
特に圧縮センシング設定で最先端のパフォーマンスを達成する合成データセットと実際のデータセットの両方で提案されたアルゴリズムを評価します。
すべてのコードとデータは、https://github.com/Duanlab123/CurvNLOS で入手できます。

要約(オリジナル)

Non-line-of-sight (NLOS) imaging aims to reconstruct the three-dimensional hidden scenes from the data measured in the line-of-sight, which uses photon time-of-flight information encoded in light after multiple diffuse reflections. The under-sampled scanning data can facilitate fast imaging. However, the resulting reconstruction problem becomes a serious ill-posed inverse problem, the solution of which is of high possibility to be degraded due to noises and distortions. In this paper, we propose two novel NLOS reconstruction models based on curvature regularization, i.e., the object-domain curvature regularization model and the dual (i.e., signal and object)-domain curvature regularization model. Fast numerical optimization algorithms are developed relying on the alternating direction method of multipliers (ADMM) with the backtracking stepsize rule, which are further accelerated by GPU implementation. We evaluate the proposed algorithms on both synthetic and real datasets, which achieve state-of-the-art performance, especially in the compressed sensing setting. All our codes and data are available at https://github.com/Duanlab123/CurvNLOS.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google