没有合适的资源?快使用搜索试试~ 我知道了~
1407×基于方向光锥变换的西恩岛杨大卫湾斯坦福大学斯坦福大学sean0@stanford.edulindell@stanford.edu贝恩德·吉罗德斯坦福大学大卫·陶布曼悉尼新南威尔士大学戈登·韦茨斯坦斯坦福大学bgirod@stanford.edud. unsw.edu.augordon. stanford.edu摘要提出了一种虽然当前的NLOS成像方法重建隐藏场景的法线或表面法线,但这两个量提供了场景的互补信息,因此需要一种同时估计两者的有效方法。我们将这两个量的恢复公式化为一个矢量反卷积问题,并使用我们表明,使用我们恢复的法线进行非参数化拟合的表面比最近提出的NLOS表面重建方法更准确,并且比使用逆渲染计算速度快1,000。1. 介绍非视线(NLOS)成像处理不在传感器的直接视线中的场景的捕获和渲染。近年来,非视线成像已成为一个重要的视觉问题,在遥感,国防,机器人视觉和自动驾驶中的应用。一种常见的成像设置是使用图1所示的共焦配置“环视角落”。通常,光源(例如激光束)通过反射到可从传感器和场景两者看到的表面上来间接地然后,传感器从相同的表面位置捕获场景反射,并将它们记录为二维图像(或瞬态)的时间分辨序列,从中可以计算重建场景。除了基于瞬态的成像,其他NLOS成像模式包括基于散斑[1-3]或非相干强度测量[4,5]的成像模式在这里,我们将专门考虑基于瞬变的NLOS成像[11-在体视学范例中,目标是估计场景体素的体视学值[11(a) 我们的朋友(b)我们的常态(c)拟合表面图1.通过D-LCT的NLOS表面重建现有的NLOS成像方法通常仅恢复隐藏场景的伪影。定向LCT恢复场景的法线(a)和表面法线(b),使我们能够重建具有更精细细节(c)的隐藏对象表面。重建范例,人们寻求更直接地通过估计它们的表面法线来恢复三维场景中的对象表面[17虽然基于表面的方法有可能重建物体几何形状,比其他方法更详细,但目前估计表面法线的方法对噪声敏感,仅限于具有简单物体几何形状的场景嵌入在瞬变是一个混合的表面正常和非线性信息,以便明确占两者在瞬变中的存在,可以提出新的机会,恢复两个数量强劲。���′可见表面���′隐藏对象并置激光器和检测器1408���′���′(a) 瞬态体积 (b) 从 (c)拟合到 (d)地面实况表面的图2.方法概述:使用定向光锥变换对瞬态(a)的1m× 1m× 2ns体积滤波,以获得表面法线(b)。我们对曲面法线进行积分以获得最终重建曲面(c),它类似于地面实况(d)。在这项工作中,我们提出了一个联合正交的方法来NLOS场景重建的基础上的方向光锥变换(D-LCT),这是一个矢量推广的(标量)光锥变换(LCT)最近提出的O'Toole等人。[12]第10段。我们将法线和反投影的恢复公式化为向量反卷积问题,找到这两个量后,我们将曲面拟合通过在联合正交空间中解决这个矢量反卷积问题特别是,我们的方法比最近的工作快了许多数量级我们提出的方法也适用于现有的共焦NLOS成像硬件。我们在图2中展示了整个方法总结一下,我们的主要贡献是: 定向LCT:我们通过定向光锥变换(D-LCT)将非视线 Cholesky-Wiener解算器:我们在傅立叶域中有效地解决了上述矢量反卷积问题,以恢复表面法线。 曲面拟合:我们通过在恢复的法线上拟合表面参数来重建高精度的物体表面描述。2. 相关工作瞬态成像首先由Kirmani等人提出[4],他们认为我们可以通过用超快激光和探测器探测墙壁来观察拐角处后来,Velten等人在实践中证明了这一想法。[11]使用飞秒激光和条纹相机。由于这种成像硬件的成本,研究人员还使用了其他传感技术,如时间的光相机[20,21],甚至是普通的消费者相机[9,22]。但是,单身-光子雪崩二极管(SPAD)[23 Altmann等人[30]对SPAD及其应用进行了全面审查。在捕获瞬态数据后,NLOS场景可以重建为一个体积[11一般来说,对表面的估计可以被视为逆滤波问题,而对表面的估计通常被视为逆渲染问题。我们现在简要回顾一下这两种反向方法。2.1.逆滤波方法Velten等人。 [11]是第一个将恢复的复盖体积作为逆问题提出的。将瞬态测量与使用高阶光传输的一些NLOS场景相关联,他们将场景重建公式化为(线性)最小二乘问题,并使用滤波反投影(FBP)解决了由此产生的稠密方程组虽然FBP产生了有希望的结果,但它只能近似地解决原始的最小二乘问题,并且重建的场景可能缺乏精细的细节。由于FBP的计算复杂度仍然很高,在体素数为3的情况下为(5),后来的作者试图通过提高迭代求解器的质量[16,31]或其在GPU上的速度[26]来改进FBP在共焦情况下,[12]注意,高阶光传输可以表示为变量变化的卷积。他们的整体变换,称为光锥变换(LCT),表达了Velten等人的问题。[11]作为三维信号去模糊问题。与FBP相比,LCT精确地解决了逆问题,并且具有较低的计算复杂度(3个对数由于使用了傅立叶变换,体素的数量为3。最近,Ahn等人。 [32]提出了一种近似的卷积成像变换,类似于非共焦设置的LCT。与反卷积相反,我们最终可以将其与扩散方程联系起来,Lindell et al. [14]建议1409Ω���������不通过将高阶光传输建模为三维空间中的波传播来解决瞬态成像问题,并使用“-“偏移在傅立叶域中有效地这个方法也有一个(3个对数 由于使用傅立叶变换而导致的计算复杂性。基于衍射波传播的方法,例如,相量场[33],旨在进一步克服成像模型中的限制,这是由于诸如单散射的假设以及隐藏场景中缺乏遮挡。如果使用共焦设置,则相量场方法可以根据LCT实现,计算复杂度为(3log)尽管LCT和- migration方法都为了找到表面法线以及体积,Heide et al.[13]将瞬态成像问题视为在表面法线和表面法线变量中的优化。虽然报道的结果是有希望的,这样的方法的一个主要限制是(5)计算和存储的复杂性,以及整个问题的非凸性。D-LCT帮助我们解决类似的问题[48]的能量最小化方法在我们恢复的法线上拟合曲面。3. 数学框架在简要回顾了体积模型并讨论了其局限性之后,我们发展了我们的方向模型,并提出了有效的方法来解决估计表面法线的相关逆问题。3.1.体积反照率模型在瞬态成像方法中,时间分辨检测器用于测量作为发射光脉冲的函数的光子的入射光通量。这些时间测量中的每一个记录在可见表面上的位置处的NLOS场景的脉冲响应,以产生大量的瞬态。让我们将三维场景坐标表示为:(,,),并假设可见表面沿=0。我们用(′,′,=0)表示这个可见表面上的位置;见图1。 A common transient imaging model is theconfocal volumetric albedo model���������������������������������(正态估计问题,具有相同的低复杂性,Ω���4(一)LCT和双���给定共享傅立叶根在LCT、双相量场和相量场��� ���2.2. 逆绘制方法与逆滤波方法相比,逆渲染(合成分析)方法,例如,[19],搜索NLOS表面参数的值(例如,BRDF和曲面法线),如果要渲染NLOS曲面,则会产生观察到的瞬态由于表面参数空间中的全搜索将是难以处理的,因此通常经由可微分渲染(即,表面参数的能量最小化以这种方式恢复的表面参数包括表面位置和法线[34],以及散射[35-38]和相互反射[39,40]等照明效果2.3. 曲面拟合方法物体表面可以参数化或非参数化地拟合在所获得的表面法线上。非参数拟合通常用于基于立体的3D重建[41表面拟合可以被视为⋅��� (2√ (���′−���)2+(���′−���)2+���2−������),其中,���表示具有有限支撑Ω的三维平行四边形体积,并且���(Ω)将光线的往返时间与���场景(���,���,���)和感测位置������(,���= 0)之间的距离的两倍相关联。在这里,���1/3 × 10 8表示光速,而1/���4 =(2/������)4表示距离引起的辐射衰减。如果我们预先按(2/2)4的比例缩放1/4���,则可以从(1)中删除1/在后向反射表面的情况下,通常假定衰减系数为1/2为了离散模型(1),我们分别在-、-和-轴上使用、和点进行采样假设瞬态已按(2/)4预缩放,我们可以使用矩阵表示法将离散化模型complex写成=其中,n,n∈ nN2M,n是一个二进制矩阵,其值通过采样n(n)获得。由于是一个高条件数的低通算子,从给定的中找到的任务是一个不适定问题[49]。我们不应该直接计算opt=-1的解,而应该将其作为正则化最小二乘问题的解minimize()=−2+2,(3)���������������逆问题的目标是插值一个光滑的22流形,而不违反给定的正常条件。我们可以自然地将曲面拟合公式化为扩散过程或能量最小化方法,这两种方法都试图在规则性(平滑性)和数据保真度(与给定法线正交的曲面)之间找到正确的权衡。我们使用其中,R2表示数据保真度和解决方案的规律性(平滑性)之间的权衡。奥图尔等人[12]注意,问题(3)可以用他们所谓的光锥变换(LCT)以有效的方式解决。如果我们将它们的剩余算子表示为,我们可以1410������ T������ T���不���T���������∈ ℝ��� ��� ∈ℝ���‖���−��� ‖(a)LCT滤波器内核(b)方向LCT滤波器内核(方向、方向和方向)图3.构造D-LCT滤波器内核:光锥变换产生一个三维的平移不变内核(a)。D-LCT(b)由三个移位不变内核组成,它们将方向性的方向性的方向性(方向性+正常)与瞬态相关联。定向 D-LCT内核(b,最右边)与LCT内核(a)相同。曲面法线;见[50]。中的余弦项(1) 不仅产生更精确的前向模型,而且更重要的是,它能够通过逆模型从瞬态恢复表面法线。用=(,,)表示两个空间坐标,′=(′,′,=0)为简洁起见,我们将模型(1)更新为���′ ′(���′−���(,,)=d������2004年,������图4. 方向性平行度模型:在对象上的位置���=(���,���,���)处,方向性平行度���(���)分别具有法线���(���)和平行度���(���)的方向和幅值。当()和(′-)之间的夹角为余弦时,���(���)对���′ =(���′,���′,���= 0)处曲面的贡献按一阶递减������������ 。将问题(3)等价地表示为重新采样的ε d0=ε d0和瞬变=εd0minimize()=−2+2,(4)���������������中国(5)⋅��� (2√ (���′−���)2+(���′−���)2+���2 −������),其中���(���)=(���x,���y,������)(���)∈ φ 3是表面法线 。我们的模型可以被视为[19]中基于物理的模型的一阶近似模型(5)也与[13]中的相同,除了没有遮挡项。我们的论文增刊的第3部分推导了(5)和物理关系。进一步假设,���′−���′22(),′−=cos=1���,(6)���������������其中���=T <$���T是一个三维滤波器(即线性空间不变算子),其脉冲响应如图3(a)所示。补充文件第1节提供了关于居留权操作员的详细信息。由于卷积是一个三维滤波器,我们可以使用维纳反卷积在傅里叶域中有效地计算(4)的解卷积=(卷积+卷积)−1������������规律性参数可以被解释为在这种滤波上下文中的信噪比。我们最初问题的解决方案(3)通过使用伴随恢复算子恢复去卷积的解来获得,即,opt=opt。模型(5)简化为体积模型(1)。注意,在(5)中,α d0()是标量,并且表面法线()3是单位范数向量。我们可以将这两个量组合成一个方向向量,而不是使用单独的���������������������������������(使得方向和大小分别编码其表面法线和方向������在模型(5)中代入(7)并使用= ′,我们得到了方向性双曲模型3.2. 方向反照率模型���′ ′������������((,,)=d���5在各向同性点发射器的情况下,(1)是一个足够的高阶光传输模型。然而,对于典型的漫射或朗伯对象表面,这样的模型忽略了由于朗伯余弦定律引起的辐射衰减由于入射光线之间的角度引起的衰减,中国(8)⋅��� (2√ (���′−���)2+(���′−���)2+���2 −������),将方向性的方向性矢量与瞬态矢量相关联。图4说明并总结了定向的多目标模型。()下一页隐藏对象323中文(简1()下一页21(一)���′−���1���′1411()X不���������≈���Xy注意(12)中, ,d和是平移不变的,所以它们D(a) 隐藏对象(b)LCT体积(c)D-LCT正常体积(X-、X-和X-分量)(d)D-LCT表面图5.使用D-LCT的瞬态成像D-LCT(c)捕获LCT(b)未捕获的物体表面(a)的精细细节使用最大强度投影来渲染图(b)-(c)。D-LCT曲面(d)直接拟合到D-LCT法线(c)上。对于(d),我们使用已知的背景掩模首先去除背景点。所有隐藏对象都具有漫反射曲面。为了离散化我们的方向性非线性模型,我们类似于(2)对Ω进行这就产生了我们的方向方程组:因此,方法不适合于实际问题的大小。为了有效地解决问题(10),我们将(4)中使用的我们可以写=其中,f是(2)中的矩阵,我们得到元素问题(10)等价于minimize���()=(x,y,)−2+2,���������������(12)在Ω上采样(′ −),得到���=(���x,���y,������)������。在给定瞬态的情况下,恢复方向性的方向性������是不适定的,因为它需要我们找到3���2个���变量的值,其中���日本语������������TT2 2阿克斯只有���12个方程式。这样一个等级不足的问题可能是y=⎣���������⎦ ⎣T∗⎦⎣��� ⎦(十三)通过将公式(9)表示为最小二乘问题来minimize()=−2+2(10)������������������⏟���⏟⏟⏟⏟���⏟⏟���vv22是重新采样的变量,������和之前一样,从类似于(3)中的正则化方法。虽然我们可以选择优化问题(10)的TV-L1版本以获得更好的解决方案,但我们现在我们将原问题m(10)的解恢复为s_(?)������补充说明的第2节导出了重采样器T_n及其与(4)中的T_n将(10)有效地求解为向量反卷积问题。Xy可以与光锥滤波器组合,���3.3. 方向光锥变换而我们的最小二乘优化问题(10)具有简单的封闭形式的解,���opt=(���������������������������这种解决方案太昂贵,无法简单地计算典型问题,3=2108体 素 。 Computingoptdirectly with numerical methods such as Cholesky andLDLdecompositions would incur a ( 9) cost whereas iterativeones (e.g. conjugate gradients), a (6) cost.这些一般塞拉皮斯兔子领域yy以产生1412定向光锥滤波器x、y和.它们的滤波器内核如图3(b)所示。由于问题(12)中的所有算子都是滤波器,因此可以将问题(12)解释为矢量反卷积问题,在矢量频率上具有固定的信噪比。人们可以使用我们的维纳反卷积的向量扩展有效地解决(12)。3.4. Cholesky–Wiener将(12)中的矩阵表示为:为了简单起见,我们写出正规方程,1413X∗∗×���������LD低密度脂蛋白=3块方程组,其中每个块x y x100x⎡ ⎤⎡ ⎤ ⎡⎤3y阿克斯1埃什基二、在这里观察YX1、阿克斯1LCTD-LCTD-LCTLCT图6.D-LCT和LCT的准确度LCT和D-LCT深度(左图)的RMSE分别为5.97和4.96 cm,MAE分别为1.87和1.59 cmLCT和D-LCT表面法线(右图)的终点RMSE分别为0.91和0.52 cm,MAE分别为0.61和0.38 cmLCT本身不会生成曲面法线,因此我们使用[54]以LCT深度作为输入来获得它们RMSELCTD-LCTD-LCTMaeLCTRMSELCTD-LCTMaeLCTD-LCT图7. 规则性参数对深度和曲面法线的影响:D-LCT在广泛的值范围内产生准确的深度(左图)和法线(右图) ,证明其在SNR不确切的情况下的有用性。LCT法向误差是针对使用[53]获得的法向向量,其中LCT深度作为输入。用圆点标记的最小误差点与最小二乘问题(12)相关联,最后,三角化系统LDL =���������可以是���2+������������������������������∗������2+���������������������������������使用向前和向后替换���=L−1������������yXyy埃什基中文(简体)⎣⏟⏟���⏟∗���⏟⏟⏟���⏟∗���⏟⏟���⏟2⏟+⏟������⏟⎦⎣⏟���������⎦⎣⏟���∗������⎦这两种方法都可以作为一系列过滤步骤HH +λI���v���������Házáz在Fourier域中。例如,X也就是说,y���可使用以下公式获得Δn,Δ1= ΔnΔn,Δ2=ΔnΔn−LyxΔ n1���,×= − L������−L ���阿克斯yLL元素是滤波器或滤波器信号。(14)因此,建议我们使用Cholesky分解来解决3 - 3系统,使用过滤操作执行两个相关的向前和向后替换。右手边的矢量可以在傅立叶域中计算,因为每个矢量都是一个滤波器。可以在傅立叶域中计算,因为每个矩阵Lyx、L���x和L���y表示3D滤波器。我们可以用类似的方法计算出矩阵的元素对于存储和的块元素的傅立叶系数不可行的大型问题,我们可以使用迭代求解器,如共轭梯度,并计算x正向映射���(正向映射+正向映射)���再次使用滤波使用Cholesky分解的LDL变体,我们因子矩阵=+as=,其中傅立叶域中的操作。L =L yx,D=Dxx 年D,(15)3.5. 曲面重构���������L������⎦在获得方向性的场函数后,我们使用[52]的方法来拟合非参数曲面。拟合并且L和D的元素由下式给出:表面相当于恢复一个指标函数D=+− ∑j−1 L��� DL场景对象,使的梯度 等于 。表示为jj jjk=1JKKKJK(十六)一个优化问题,我们有L = D−1(������-∑j−1L DL),∗ ∗ 2 2jjjjk=1JKKKJKminimize()���=���−2+2,���(18)������������在两个和中使用惯例1 = ,2 = ,3 = 。 我们可以通过应用Cholesky算法的消除步骤来容易地验证动态规划过程(16[51] 矩阵的块元素。深度误差深度误差正态误差正态误差1414其中表示三维梯度算子的离散化然而,在实践中,(18)的解opt的零水平集可能由于噪声和离散化而1415×××(a) Fermatflow(b)Tsai et al. [19] (c)D-LCT正常体积( -, -和 -分量)(d)D-LCT表面图8. 使用捕获的数据进行表面重建:SU的空间分辨率为64 × 64像素(1分钟曝光),其余场景为512 × 512(180分钟曝光)。我们分别对SU、Discobolus和Dragon使用了λ=20、23和23最左侧列中的插图显示场景对象。 Fermat Schmidow [18]和Tsai等人的方法。[19]仅部分重建表面。方法64×64 128×128 256×256 512×512DBP 0.6s 2.0s 8.3s 32.4s相量场0.9s 3.1s 12.6s 49.3s双端费马·科洛沃1.6s 5.6s21.3s86.5s Heide等人>10 hN/AN/AN/ATsai et al.7小时不适用D-LCT(Ours)5.2s21.9s89.5s370.0s表1. 各种方法的运行时间:测量使用8核,2.70GHz的CPU的兔子,所有的时间分辨率为512像素。 Heide et al. [13]和Tsaiet al. [19]分辨率不超过64 × 64。的问题。为了减轻这些问题,我们再次遵循[52]的方法来提取opt的等值面。4. 实验结果由于我们的定向LCT方法恢复了曲面和表面法线,因此它可以用于二维NLOS成像的传统背景下,也可以用于三维重建表面。我们展示了这两种用例的方法,并将其与专门针对每种用例的方法进行了比较。我们使用ZNLOS [53] 和 斯 坦 福 [14] 数 据 集 进 行 实 验 验 证 。ZNLOS数据集由距离1米1米可见表面0.50米的合成物体的多次反弹瞬态组成。该数据集具有512像素的时间分辨率,宽度为10 ps的bin,以及空间分辨率。分辨率为256× 256像素。斯坦福集由在1米外的2米×2米自然隐藏物体表面上测量的瞬态组成该数据集的空间分辨率为512512或6464个像素,时间分辨率为512,仓宽为32ps。4.1. NLOS成像实验定向瞬态成像。 图5显示了使用D-LCT获得的正常图像。这些图像包含物体表面的细微变化,例如球体的光滑表面和兔子的皮毛。例如,使用细节增强技术,这些细节将LCT的结果类似于D-LCT的α分量,具有可以从简化假设(6)中预期的细微差异。 我们使用最大强度投影来渲染方向性的双曲体:对于图像平面上的每个点(′,′,= 0),我们发现沿 轴方向的方向分量具有最大 分量值。我们首先用地面真值掩模遮蔽背景像素,然后对前景点和方向图进行泊松重建,从而重建表面。我们使用=所有场景的23深度和曲面法线的精度。图6显示了恢复的LCT和D-LCT深度图的均方根误差分别为5.97cm和4.96cm反照率法线龙盘状菌属苏1416×××××平均绝对误差(MAE)分别为1.87cm和1.59cm。LCT法和D-LCT法的RMSE分别为0.91 cm和0.52 cm,MAE分别为0.61 cm和0.38 cm。注意,LCT本身不会产生任何曲面法线,因此我们使用以下方法获得法线:[54]以LCT深度作为输入(我们使用6个相邻点来产生最佳结果)。 在图7中,我们绘制了正则化参数对深度和表面法线误差的影响,说明D-LCT在很宽的范围内表现稳定。 这在实际成像场景中可能是有用的,其中捕获的瞬态数据的信噪比不确切地知道。用捕获的数据进行曲面重建 为了显示D-LCT对真实捕获环境中存在的不同类型噪声的鲁棒性,我们使用斯坦福数 据 集 进 行 表 面 重 建 。 图 8 显 示 了 恢 复 的 SU 、Discobolus和Dragon天体的方向性轨迹和表面我们首先通过对方向向量的范数进行阈值化来掩盖背景点,然后对剩余的前景点进行泊松表面重建来重建表面。我们使用=20、23和23。在SU场景中,正常体积显示字母S和U的方向(S指向左上方,U指向右上方)。U的左部分被部分遮挡,因此不同的方法产生沿-轴的不同的最大强度投影。对于这些具有噪声瞬变的重建任务,Tsai等人的方法。[19]和Fermat Schiow [18]仅重建对象的粗略形状我们使用LCT初始化[19]我们在泊松重建软件中使用了--密度[48]以避免附近表面片段的熔合。计算效率。虽然D-LCT具有与LCT相同的计算复杂度,但由于需要外部Cholesky因子分解,我们每个体素执行9次以上的计算。与能够恢复具有复杂几何形状的对象的表面法线的类似方法相比,D-LCT快1000倍虽然Fermat Brachow [18]比我们的方法快4表1提供了不同方法在8核2.70GHz CPU上的运行时间。5. 讨论我们的工作提出了一种有效的方法,使用反卷积方法联合我们的定向LCT具有与仅使用双线性方法相同的低计算复杂度,例如,-局限性。我们的前向模型(8)假设场景大多数是非镜面反射表面。幸运的是,我们的最小二乘逆方法通过将它们视为离群值,提供了一定程度的抗镜面反射的鲁棒性(参见例如,龙重建,图8)。同样,我们将场景中的遮挡视为最小二乘公式的离群值。使用基于1的数据保真度项,而不是基于2的数据保真度项(10)可以进一步提高我们的方法的鲁棒性,在增加计算时间的成本。基于1的数据项还强制稀疏性,这可以消除掩蔽背景像素的需要。我们的前向模型还线性化了由于表面法线和两条光线(入射和反射)之间的相互作用而引起的余弦衰减。我们的线性化衰减模型是真实衰减的低估,并且平均与可见壁形成较大角度的表面位置被估计为位于更靠近可见壁的位置,其中衰减确实较小。这导致圆度表面的估计值比实际值稍高(参见Discobolus的臂这个问题可以通过基于最后估计的法线,使用真实衰减与线性衰减的比率迭代地重新加权(10)的第一项来克服;参见补充材料第3节。未来的工作。为了改善重建时间,我们计划在GPU上实现D-LCT过程与原始LCT类似,D-LCT具有高度并行性,并且可以使用GPU实现显著加速。与LCT的GPU实现一样,我们预计基于GPU的D-LCT需要毫秒级的处理时间才能实现较低的空间分辨率,例如:32 32或64 64像素。我们还计划考虑1或TV正则化器,以更好地保留重建表面中的不连续性。6. 结论NLOS成像方法通常被归类为恢复隐藏对象的法线或表面法线。在这项工作中,我们表明,这是可能的,以恢复这两个数量联合。最后,隐藏的3D物体表面的重建可以被视为NLOS成像的下一个前沿,因为它使我们能够更好地表示我们最终生活的3D环境。我们相信D-LCT是朝着超越体积法的方向迈出的一大步,它提供了一种实用的方法来估计表面重建所需的隐藏表面法线。鸣 谢 。 我 们 感 谢 M 。 J. Galindo 帮 助 数 据 集 [53]和 I.Gkioulekas的代码[18,19]。D.L.得到了斯坦福大学研究生奖学金的支持G.W. 由NSF CAREER Award(IIS1553333 ) 、 Sloan Fellowship 、 KAUST Office ofSponsored Research 通 过 Visual Computing Center CCFgrant、DARPA REVEAL program和ARL的PECASE支持。1417引用[1] 放大图片作者:Jacopo Bertolotti放大图片创作者:JohnL.Vos和Allard P.莫斯克通过不透明散射层的非侵入性成像。Nature,491(7423):232[2] Ori Katz,Eran Small和Yaron Silberberg。用散射的非相干光实时观察角落和透过薄的混浊层。Nat. Photonics,6(8):549-553,2012。[3] 布兰登·M作者声明:John W. Smith,Matthew O'Toole,Mohit Gupta.使用散斑成像跟踪视线外的多个对象。在CVPR,2018年。[4] Ahmed Kirmani , Tyler Hutchison , James Davis , andRamesh Raskar.用瞬态成像观察拐角处。ICCV,2009年。[5] Christine Thrampoulidis等人,在非视线主动成像中利用闭塞。IEEE Trans. Comput. Imaging,4(3):419 -431,2018.[6] 凯瑟琳湖Bouman等人,将角落变成相机:原则和方法。InICCV,2017.[7] Manel Baradad等人,从阴影中推断光场。在CVPR,2018年。[8] Mahed Batarseh , Sergey Sukhov , Zhean Shen , HeathGemar,Roxana Rezvani,and Aristide Dogariu.使用空间相干性的拐角处的被动感测。国家通信,9(1):1[9] Charles Saunders,John Murray-Bruce和Vivek K.戈亚尔普通数码相机的计算潜望镜。Nature,565(7740):472[10] David B. Lindell,Gordon Wetzstein,and Vladlen Koltun.声学非视线成像。在CVPR,2019年。[11] Andreas Velten , Thomas Willwacher , Otkrist Gupta ,Ashok Veeraraghavan , Moungi G. Bawendi 和 RameshRaskar。使用超快时间成像恢复拐角周围的三维形状。国家通信,3:745,2012.[12] 放大图片作者:David B. Lindell和Gordon Wetzstein。基于光锥变换的共焦非视线成像。Nature,555(7696):338[13] 放 大 图 片 作 者 : Felix Heide , Matthew O'Toole , KaiZang,David B. Lindell,Steven Diamond,and GordonWetzstein.具有部分遮挡物和表面法线的非视线成像。ACM Trans Graph,38(3):22:1[14] David B.林德尔,戈登·韦茨斯坦,马修·奥图尔基于快速f-k偏移的波基非视线成像。ACM事务处理图表TOG,38(4):116,2019.[15] Christopher A. 作 者 声 明 : David B. Lindell 和 GordonWetzstein。锁孔成像:非视线成像和在长间隔距离处沿着单个光路跟踪移动物体。ArXiv191206727 Cs Eess,2019年。[16] Marco La Manna,Fiona Kine,Eric Breitbach,JonathanJackson,Talha Sultan,and Andreas Velten.非视线成像的误差反投影算法。IEEE传输模式分析马赫内特尔,41(7):1615-1626,2019.[17] 作者:蔡佳茵,Kiriakos N.斯里尼瓦萨?库图拉科斯Narasimhan和Ashwin C.桑卡拉纳拉亚南非视线下第一返回光子的几何结构显像在CVPR,2017年。[18] Xin Shumian, Sotiris Nousias,Kiriakos N.阿斯温?库图拉科斯C.斯里尼瓦萨?桑卡拉纳拉亚南Narasimhan和IoannisGkioulekas 。 非 视 线 形 状 重 建 的 费 马 路 径 理 论 。 在CVPR,2019年。[19] 蔡 佳 茵 , AswinC.Sankaranarayanan 和 IoannisGkioulekas。超越体视学-非视线成像的表面优化框架。在CVPR,2019年。[20] Felix Heide,Lei Xiao,Wolfgang Heidrich,and MatthiasB.胡林漫反射镜:使用廉价的时间-光照传感器从漫射间接照明进行3D重建。CVPR,2014。[21] Achuta Kadambi,Hang Zhao,Boxin Shi,and RameshRaskar.使用飞行时间传感器的遮挡成像。ACM TransGraph,35(2):15:1[22] Jonathan Klein,Christoph Peters,Jaime Martín,MartinLaurenzis,and Matthias B.胡林使用2D强度图像跟踪视线外的物体。Sci.众议员,6:32491,2016.[23] Mauro Buttafava,Jessica Zeman,Alberto Tosi,KevinEliceiri,and Andreas Velten.使用时间选通单光子雪崩二极管的非视线成像。Opt. Express,23(16):20997[24] Genevieve Garibeet al. Single-photon sensitive light-in-fightimaging. 国家通信,6:6021,2015.[25] Feihu Xu等人通过基于光子有效遮挡的机会主动成像揭示隐藏场景。Opt. Express,26(8):9945[26] Victor Arellano,Diego Gutierrez,and Adrian Jarabo.用于非视线重建的快速反投影。Opt. Express,25(10):11574[27] 放大 图片 作者 :David B. Lindell,Kai Zang, StevenDiamond,and Gordon Wetzstein.从单光子传感器重建瞬态图像。在CVPR,2017年。[28] 放大图片作者:David B. Lindell和Gordon Wetzstein。实时非视线成像。在ACM SIGGRAPH 2018新兴技术,2018年。[29] 作 者 : Susan Chan , Ryan E. Warburton , GenevieveGaribe,Jonathan Leach,and Daniele Faccio.远距离非视线跟踪人。Opt. Express,25(9):10109[30] 放大图片创作者:Stephen McLaughlin.作者:Padgett阿尔弗雷德·戈亚尔希罗和丹尼尔·法西奥量子计算机成像Science,361(6403):eaat2298,2018.[31] Otkrist Gupta , Thomas Willwacher , Andreas Velten ,Ashok Veeraraghavan,and Ramesh Raskar.使用漫反射重建隐藏的3D形状。Opt. Express,20(17):19096[32] Byeongjoo Ahn,Akshat Dave,Ashok Veeraraghavan,Ioannis Gkioulekas和Aswin C.桑卡拉纳拉亚南一般非视线成像算子的卷积近似。在ICCV,2019年。[33] Xiaoxun Liu等人,使用相量场虚拟波光学的非视线成像。Nature,:1[34] 马修·M 作者声明:Michael J.黑色. OpenDR:一个1418近似微分渲染器。2014年,在ECCV[35] Pramook Khungurn,Daniel Schroeder,Shuang Zhao ,Kavita Bala,and Steve Marschner.将真实面料与微外观模型相匹配。ACM Trans Graph,35(1):1:1-1:26,2015.[36] Ioannis Gkioulekas,Anat Levin,and Todd Zickler.非均匀逆散射计算成像技术的评价。在ECCV,2016年。[37] Shuang Zhao , Lifan Wu , Frédo Durand , and RaviRamamoorthi.用于渲染各向异性介质的下采样散射参数。ACM Trans Graph,35(6):166:1[38] 作 者 : Adam Geva , Yoav Y. Schechner , YonatanChernyak,and Rajiv Gupta.通过散射的X射线计算机断层扫描在ECCV,2018。[39] 斯蒂芬·罗伯特·马施纳。计算机图形学的逆向绘制,博士论文,康奈尔大学,1998。[40] 古斯塔沃·帕托和泽维尔·普约从光输运行为规范的逆表面设计的调查。Comput. Graph. Forum,22:663 -687,2003.[41] 本·阿普尔顿和休斯·塔尔博特。连续极大流形的全局极小IEEE传输模式分析马赫内特尔,28(1):106[42] 奥利维尔·福格拉斯和雷诺·克里文。使用水平
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 收起
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
会员权益专享
最新资源
- zigbee-cluster-library-specification
- JSBSim Reference Manual
- c++校园超市商品信息管理系统课程设计说明书(含源代码) (2).pdf
- 建筑供配电系统相关课件.pptx
- 企业管理规章制度及管理模式.doc
- vb打开摄像头.doc
- 云计算-可信计算中认证协议改进方案.pdf
- [详细完整版]单片机编程4.ppt
- c语言常用算法.pdf
- c++经典程序代码大全.pdf
- 单片机数字时钟资料.doc
- 11项目管理前沿1.0.pptx
- 基于ssm的“魅力”繁峙宣传网站的设计与实现论文.doc
- 智慧交通综合解决方案.pptx
- 建筑防潮设计-PowerPointPresentati.pptx
- SPC统计过程控制程序.pptx
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功