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からの非直線オフサイトイメージングのための曲率正則化
要約：
– 非直線オフサイト（NLOS）イメージングは、光の多重散乱後にエンコードされた光子飛行時間情報を使用してラインオブサイトで測定されたデータから、三次元の隠れたシーンを再構成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促進することができます。
– しかし、その結果得られる再構成問題は、重度に不十分に設定された逆問題となり、ノイズと歪みによって劣化する可能性が非常に高くなります。
– 本稿では、曲率正則化に基づく2つの新しいNLOS再構成モデル、すなわちオブジェクト領域曲率正則化モデルとデュアル（信号およびオブジェクト）領域曲率正則化モデルを提案しています。
– 計算量が大幅に増加するため、数値最適化アルゴリズムは、バックトラックステップサイズルールを持つ交互方向乗数法（ADMM）に依存する高速化されたGPU実装によって開発されました。
– 提案されたアルゴリズムは、合成データセットと実データセットの両方で評価され、特に圧縮センシングの設定で最先端のパフォーマンスを達成します。また、すべてのコードとデータはhttps://github.com/Duanlab123/CurvNLOSで利用可能です。

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, OpenAI