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

要約

タイトル：アンダーサンプリングされたデータに対する曲率正則化による非直線-of-sightイメージング

要約：
– 非直線-of-sight（NLOS）イメージングとは、光の多重散乱後に符号化された光子時間飛行情報を使用し、ライン-of-sightで測定されたデータから三次元の隠されたシーンを再構成することを目的とする。
– アンダーサンプリングされたスキャンデータは高速なイメージングを実現できるが、再構成問題はノイズや歪みのために低品質になる可能性が高い。
– 本研究では、曲率正則化に基づく2つのNLOS再構成モデルを提案する。オブジェクト領域の曲率正則化モデルと、デュアル（信号およびオブジェクト）領域の曲率正則化モデルである。
– 著者らは交互方向乗数法（ADMM）とバックトラックステップサイズルールを基にした高速な数値最適化アルゴリズムを開発し、さらにGPU実装を通じて高速化する。
– 著者らは、合成および実データセットで提案手法を評価し、特に圧縮センシングの設定において最先端の性能を達成した。
– 全てのコードとデータは https://github.com/Duanlab123/CurvNLOS で公開されている。

要点：
– NLOSイメージングは、ライン-of-sightで測定されたデータから三次元の隠されたシーンを再構成することを目的とする。
– アンダーサンプリングされたスキャンデータは高速なイメージングを可能にするが、再構成問題はノイズや歪みのために低品質になる可能性が高い。
– 著者らは、曲率正則化に基づく2つのNLOS再構成モデルを提案する。
– 高速な数値最適化アルゴリズムを交互方向乗数法（ADMM）とバックトラックステップサイズルールを基にして開発し、GPU実装によって高速化する。
– 著者らは、提案手法を合成および実データセットで評価し、特に圧縮センシングの設定において最先端の性能を達成した。
– 全てのコードとデータは https://github.com/Duanlab123/CurvNLOS で公開されている。

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, OpenAI