魚羊發自凹非寺
　　量子位報道公眾號QbitAI

　　在視覺盲區里潛藏的障礙物，傳感器能“看”得到嗎？

　　答案是，不僅可以，分辨率甚至能達到亞毫米級別。

　　這項來自斯坦福、萊斯大學、普林斯頓和南衛理公會大學等高校的最新研究，僅采用商用相機和標準指示器中的激光光源，就隔著1 米遠，利用 AI 看穿了拐角里1 厘米字母的模樣。

　　并且，只需要兩張 1/8s 曝光長度的圖像，就能達到 300μm的分辨率。

　　作者之一的 Prasanna Rangarajan 解釋說，能以較短的實時成像曝光時間識別對象，這一點對于應用而言是至關重要的。

　　而另一位作者，普林斯頓大學計算機科學助理教授 Felix Heide 指出：

非視距成像在醫學成像、導航、機器人技術，以及國防領域都有重要的應用價值。

我們的工作推動該技術在各種應用領域更進一步。

　　分辨率達到亞毫米級別

　　實驗裝置是這樣設置的：

　　激光從光源射出，經過反射形成虛擬光源打到隱藏對象上，而后，隱藏對象反射的光會在粗糙墻壁上形成散射光（稱為虛擬探測器），研究人員會利用這些斑點圖案來重構被遮擋的對象。

　　虛擬探測器和視覺盲區里的隱藏對象，距離約為 1 米。

　　激光光源為 500mW，532nm 的 CW 激光源（Azur Light Systems ALS-532）。鏡頭則采用了焦距 180mm 的佳能長焦微距鏡頭。

　　實驗中，研究人員移除了相機的保護玻璃，以減少內部反射。

　　結果表明，在 CNN 的“解謎”下，僅使用兩張 1/8s 曝光長度的圖像，就可以以 300μm的分辨率，重建 1m 外的識別對象。

「7」和「F」高度均為 1cm

　　用 CNN 解決嘈雜相位復原問題

　　此前，阻礙非視距（non-line-of-sight，NLoS）成像技術分辨率提升的，是相位復原（PR）的局限性，PR 方法通常對噪聲非常敏感。

　　為了充分利用低信噪比的測量數據，從漫反射斑點圖案中重建對象，研究人員開發了針對特征噪聲合成數據進行訓練的 AI 算法。

　　具體改進如下：

• 使用頻譜密度估計的結果，分析與 NLoS 相關的噪聲分布。
• 提出了一種生成 PR 訓練數據的新方法，無需實驗、建模場景語義。
• 為 PR 問題提出了一種新的映射，并為基于學習的 PR 提出并分析了新的平移不變損失函數。
• 證明 CNN 比傳統方法更快且更可靠。

　　研究人員使用稀疏的“非結構化”圖像數據集訓練 CNN。數據集來自 Berkeley Segmentation Dataset 500。

上為邊緣探測器成像，下為其對應的自相關

　　相比于傳統 PR 算法，這一基于 CNN 的方法對噪聲更加魯棒。也就是說，新方法可以在更弱的光線下工作，幀速更高。

　　還原看不見的死角

　　利用傳感器消除視覺死角的研究，其實早已展開。

　　比如 MIT 人工智能實驗室的圖像重建算法：根據影子，還原看不見的死角。

　　去年，英特爾實驗室和斯坦福大學的科學家則受地震成像啟發，利用揚聲器和麥克風來捕獲聲波反射時間，還原隱藏對象的圖像。

　　而提高系統的分辨率，讓這項技術更早應用到自動駕駛等領域之中，解決實際問題，則是研究人員們持續努力的方向。

　　傳送門

　　論文：

　　https://www.osapublishing.org/optica/fulltext.cfm?uri=optica-7-1-63&id=425998

　　GitHub：

　　https://github.com/ricedsp/Deep_Inverse_Correlography

　　相關報道：

　　https://venturebeat.com/2020/01/16/researchers-propose-system-that-taps-ai-to-see-hidden-objects-around-corners/

總結

以上是生活随笔為你收集整理的墙面变镜子，画面很清晰：斯坦福新算法高清还原死角里的障碍物的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。