稳态非视线成像方法及其在高保真彩色NLOS成像中的应用

1稳态非视线成像陈文正1，2*Simon Daneau1，3Fahim Mannan1Felix Heide1，41Algolux2多伦多大学3普林斯顿大学摘要传统的强度相机恢复相机的直接视线中的对象非视线成像（NLOS）的目的是通过分析被遮挡物体在可见场景表面的间接反射来恢复被遮挡物体。现有的NLOS方法基于它们的传播时间暂时探测到非混合光路的我们离开时间探测和demonstrate稳态NLOS成像使用传统的强度传感器和连续照明。所提出的方法不是假设完全各向同性散射，而是利用隐藏表面反射率中的方向性，从而导致它们的间接反射在不同照明下的（小）空间变化。为了解决这些变化的形状依赖性，我们提出了一个可训练的体系结构，它只使用合成训练数据来学习将漫反射依靠具有高填充因子、高量子效率和低读出噪声的消费级彩色图像传感器，我们演示了用于先前以皮秒时间分辨率解决的场景重建的高保真彩色NLOS成像。1. 介绍从传统的单目图像中恢复物体是计算机视觉中的一个核心挑战，大量的工作涉及使用空间[50，41]或时间编码[32，24，19，39]的受控照明的传感技术，多视图重建方法[18]，通过编码光学器件进行传感[47]，以及最近学习的使用单目图像的重建方法。查看单眼图像[49，11，16]。虽然这些感测方法驱动跨领域的应用，包括自主车辆，机器人，增强现实和场景理解的数据集采集[52]，但它们仅恢复相机直接视线中的这是因为Ob-*大部分工作是在Algolux实习时完成的。图1：我们证明了可以使用连续照明和传统相机对直接视线外的遮挡物体进行成像，而无需时间采样。我们稀疏地扫描一个漫反射墙与一束白光和recon- struct视线外的散射仅通过可见漫射物体表面的间接反射对测量有贡献。由于多重散射，这些反射非常弱，并且它们在漫射场景表面（与场景中的镜面相反）上丢失（大部分）角度信息。NLOS成像旨在从这些间接光传输分量中恢复相机视线之外的物体为了解决角分辨率的缺乏，已经描述了许多NLOS方法，其在时间上探测场景中的光传输，从而通过其光程长度来分解光路贡献[1，30，36，43]并有效地利用时间分辨率来交换角分辨率。为了获取光传输的时间分辨图像，现有方法或者通过记录激光脉冲的时间回波来直接对场景的时间脉冲响应进行采样[54，43，17，7，53，3，42]，或者它们使用幅度编码照明和光时间传感器[21，26，25]。虽然幅度编码方法67906791由于传感器解调带宽限制[32]和相应的不适定逆问题[19]，直接探测方法具有低时间分辨率，但是直接探测方法在获取阶段已经实现了高时间分辨率，但是对于宏观场景，又需要超短脉冲激光照明和具有10 ps时间分辨率的检测器。<这要求仪器具有高时间分辨率，但存在严重的实际限制，包括低光子效率、大测量体积、高分辨率定时电子器件、过高的成本和单色采集。因此，早期的条纹相机设置[54]需要数小时的采集时间，并且，虽然新兴的单光子雪崩二极管（SPAD）探测器[7，42]对单个光子敏感，但由于填充因子非常低以及较高脉冲功率下的堆积失真，它们实际上是光子无效的（[42为了克服这个问题，而不需要过多的积分时间，最近的方法[42，20]将场景限制为逆反射材料表面，这消除了这些表面的二次衰减，但也有效地将实际使用限制为单个对象类。在这项工作中，我们证明，它是可能的图像图像的直接视线以外的对象，使用传统的强度传感器和连续照明，没有时间编码。与以前的方法相比，假设完全各向同性的反射率，所提出的方法利用隐藏对象的反射率的方向性，为了处理这些变化的形状依赖性，我们学习使用模拟间接渲染的训练语料库训练的深度模型通过依赖于具有高填充因子、高量子效率和低读出噪声的消费者彩色图像传感器，我们以快速成像速率和与具有皮秒分辨率的最新脉冲系统所处理的设置场景相同的设置场景展示了具体而言，我们做出以下贡献：• 我们制定了一个图像形成模型的稳态NLOS成像和一个有效的实现没有射线跟踪。在此基础上，针对反射率已知的特殊情况，给出了一种优化方法。• 我们提出了一个可学习的体系结构为代表的对象类的稳态NLOS成像。• 我们在模拟中验证了所提出的方法，并在实验中使用与以前的时间分辨方法相同的设置和场景规格。我们证明，该方法概括了不同的反射率和形状的对象。• 我们介绍了一个合成的训练集的稳态NLOS成像。将发布数据集和模型，以实现完全再现性。2. 相关工作Kirmani等.[30]首先提出了使用时间分辨的光传输测量来恢复相机直接视线之外的“隐藏”物体的概念，其中在全球传输达到稳定状态之前，短脉冲光被捕获。这些瞬态测量是场景中光传输的时间脉冲响应。 亚伯兰son [1]首先展示了一种用于瞬态成像的全息捕获系统，Velten等人。[55]展示了使用飞秒激光和条纹相机系统的第一个实验性NLOS成像结果。自这些开创性的工作以来，越来越多的工作一直在探索瞬态成像，重点是实现改进的NLOS成像[43，36，56，17，21，19，7，38]。脉冲非视线成像一个主要的研究方向[43，54，17，42，53，3，45，40，58]建议通过向场景发送光脉冲并使用能够进行高时间采样的检测器捕获响应来而Velten等人的条纹相机设置。[55]允许10 ps的时间精度<，对应于3 mm的路径长度，高仪器成本和灵敏度引发了对单光子雪崩二极管（SPAD）作为检测器替代品的 研究 [7 ， 40]。 最近 ， O'Toole et al.[40]提 出扫 描SPAD捕获设置，通过将传输建模为平移不变卷积来提高计算效率。虽然SPAD探测器可以提供相当的分辨率10 ps [37]，但它们通常受到低填充因子的影响，通常约为百分之几[44]，空间分辨率在千像素范围内[35]。<与分辨率>1000万像素的普遍强度图像传感器相比，当前SPAD传感器的成本仍然高出五个数量级，光子效率低两个数量级调制和相干非视线成像作为基于脉冲的采集的替代方案，已经提出了相关的光时间设置[19，25，21，26]，其在相位测量序列中间接编码旅行时间。虽然相关时间-光照相机是容易获得的，例如，微软的Kinect One，由于调幅带宽约为100 MHz，因此其瞬态成像的应用受到限制，因此在纳秒范围内的时间分辨率。 另一条工作线[29，28]探索使用载波本身的相关性，而不是幅度调制。虽然这种方法允许单次拍摄NLOS捕获，但它仅限于微观尺度的场景[28]。跟踪和分类与所提出的方法最相似的是最近的方法，其使用用于NLOS视觉任务的常规强度测量[31，8，9，5]。Al-6792R22尽管不需要时间分辨率，但是与完全成像和几何重建应用相比，这些现有3.2.传感器模型我们在这项工作中使用传统的彩色相机。我们的模型与泊松高斯噪声模型Foi等人的原始传感器读数。[15，14]作为样本3. 图像形成模型非视线成像方法从三阶成像中恢复直接视线外的物体特性，. ∫b 1个PκT∫ ∫L（w）dωdw dtWΩ AΣκ+N（0，σ2），E（三）弹跳通常，照亮直接视线中的漫射壁贴片，其中光然后散射并且部分地到达直接视线之外的隐藏对象。在物体表面，散射光被反射回可见的墙壁，在那里它可以被测量。与依赖于时间上重新求解的传输的现有方法相比，所提出的方法使用固定的第三次反弹传输，即，在没有时间信息的情况下，恢复隐藏场景对象的反射率和几何形状。3.1. 固定轻型运输将渲染方程[27]专门用于非视线成像，我们将墙壁上位置w处的辐射率L建模为在这里，我们整合Eq。（1）在立体角θA上，相机然后，给定像素处的传感器测量b分别以泊松分布和高斯分布中的参数κ >0和σ >0建模，准确地反映模拟增益、量子效率和读出噪声的影响为了说明的简洁，我们没有包括传感器的颜色滤波器阵列上的子采样。4. 平面场景的逆间接传输在这一节中，我们将讨论平面光学的特殊情况。假设隐藏体积al中的平面场景∫L（w）=Ωρ（x−l，w−x）（nx·（x−l））1XW1升dxXL使我们能够从间接反射中恢复反射率和3D几何形状。此外，在这种情况下，我们可以使用有效的优化公式来公式化相应的逆问题。+δ（l-w）L（l），（一）用解析梯度的方法。在本文的其余部分中，我们假设，其中x，nx是位置和对应的法线，物体表面λ，l是墙壁上的给定光束位置，ρ表示双向反射分布。分布函数（BRDF）。该图像形成模型假设三个间接反弹，其中距离函数r对输入位置之间的强度衰减进行建模，并且当在狄拉克δ函数δ（·）中l和w相同时，该图像形成模型假设一个直接反弹，并且其忽略视线之外的场景中的遮挡。我们用漫射和镜面反射项对BRDF建模，ρ（ω i，ω o）= α dρ d（ω i，ω o）+ α sρ s（ω i，ω o）。（二）漫射分量ρd对光散射进行建模，从而产生几乎与方向无关的低通反射，而无需时间编码照明。相反，镜面反射分量ρ s贡献高频镜面高光，即，镜像反射直接可见的场景部分是已知的，即，可见的墙。所提出的硬件设置允许高频空间编码照明，并且因此可以使用建立的结构化模型来估计壁几何形状。光的方法[50]。照亮可见墙壁上的补丁l，隐藏的平面场景表面产生漫射低频反射分量，独立于方向对投影位置进行编码[31]，并且更高-将模糊镜面反射的频率镜面反射分量映射到墙上的依赖于取向的位置。 假设在墙上的l处有一个单点光源，见图。 2，平面点p处的镜面方向是镜面方向r =（p-l）-2（（p-l）·n）n，其中平面法线为n。墙上的镜面波瓣c的中心是l的镜像点，即 沿方向R的反射光线与壁的交点。相反，如果我们在测量中检测到c周围的镜面波瓣，我们可以求解相应的平面点，如下所示：被镜面反射波瓣模糊了 这两个部件混合有漫射反射αd和镜面反射反射αs。虽然这两种颜色分量的空间和颜色分布可以变化，但它们通常与ob相关。p（ v， n）= c+（（v-c）· n）.n−v−l−（（c−l）·n）nn·（2 v− c− l）Σ、（四）由不同的材料组成，仅在同一表面上的材料边界处发生变化。虽然所提出的方法不限于特定的BRDF模型，但我们在下文中采用了Phong模型[46]。R6793其是由其法线n和平面上的点v当量（4）从约束直接得出，点l和c在平面上的正交投影导致相等的三角形67946795图3：实验几何和平面物体的特殊情况下，捕获的原型从Sec。7.2和[40]中的设置几何结构我们演示了三种不同的表面材料的重建第一行显示了一个具有钻石级反光表面涂层的物体，因为它们被发现在车牌和高质量的街道标志上，与[40]中的物体相同第二行和第三行显示了传统的道路标志和工程级街道标志。所提出的方法运行在大约两秒，包括捕获和重建，并实现了高分辨率的结果，而无需时间采样。将光束投射到墙上的不同位置导致不同的观察结果，我们称之为间接反射图，即，在没有直接反射的情况下，墙壁上的图像的间接分量。如果BRDF是角度相关的，则每个贴图都包含有关对象形状的信息和特定方向上的法线信息。请注意，这不仅适用于高度镜面反射的BRDF，而且适用于朗伯BRDF，因为透视缩短和变化的反射率。因此，通过改变光束的位置，我们可以获得有关形状和反射率的变化信息。假设物体表面局部光滑，我们在5× 5网格中均匀采样我们把所有捕获的图像，形成h×w×（5·5·3）维张量对应的正交视图进入隐藏场景。网络架构我们提出了一个U-Net架构的变体[48]作为我们的网络骨干结构，如图所示。4.第一章它包含一个8层编码器和解码器。每个编码器层都将图像大小减小两倍在每一个维度上，并将特征通道加倍。重复这种缩放，直到我们检索到1024维潜在向量。在具有相同大小的对应卷积和反卷积层对中，我们将它们连接起来以学习残差信息。损失函数我们使用一个多尺度的损失函数K2作为网络输入。虚拟源位置是可以提供给网络的另一重要信息Vmulti-scale=γkεiK-（8）然而，由于我们使用均匀确定性采样，我们发现模型学习这种结构化信息，而不是随机源采样。我们使用场景的正交视图作为我们的地面实况潜变量，就好像相机已经被放置在可见墙壁的中心，在墙壁法线方向上，并且存在环境照明。给定一堆间接反射图，训练所提出的网络来估计其中i是预测的网络输出，o是地面真实正交图像。这里，k表示不同的尺度，γk是该层的相应权重与fea-在k层的真实映射中，我们采用额外的一个反卷积层来将特征转换为目标分辨率的估计我们预测64×64、128× 128和256× 256个地面真实图像，并将权重γk设置为0.6、0.8和1.0. 有关培训详情，请参见补充材料。6796679767986799引用[1] N. 艾 布 拉 姆 森 光 入 光 全 息 记 录 。 Optics Letters ， 3（4）：121-123，1978. 一、二[2] D. Anguelov ， P. 斯 里 尼 瓦 桑 D.Koller ， S.Thrun ，J.Rodgers和J.戴维斯景观：人的形体完成与动画。在ACM 图 形 交 易 （ TOG ） ， 第 24 卷 ， 第 408-416 页 中ACM，2005年。6[3] V. Arellano，D. Gutierrez和A. Jarabo非视线重建的快速反投影。Optics Ex- press，25（10）：11574-11583，2017. 一、二[4] V.巴德里纳拉亚南，A. Kendall和R.西波拉Segnet：用于图像分割的深度卷积编码器-解码器架构。arXiv预印本arXiv：1511.00561，2015。4[5] K. L. Bouman，V.Ye、叶绿条叶蝉A.B. Yedidia，F.杜兰德G.W. Wor-nell，A. Torralba和W. T.弗里曼。将拐角转换为摄像机：原则和方法。在国际计算机视觉会议上，第1卷，第8页，2017年。2[6] S. 博伊德，N.Parikh，E.楚湾，澳-地Peleato和J.Eckstein通过乘子交替方向法的分布优化和统计学习发现。&Trends®in Machine Learning ， 3 （ 1 ） ： 1-122 ，2011. 4[7] M.布塔瓦J. Zeman，A. Tosi，K. Eliceiri和A.维尔滕使用时间选通单光子雪崩二极管的非视线成像。Opticsexpress，23（16）：20997-21011，2015. 一、二、六、八[8] P. Caramazza，A. Boccolini，D. Buschek，M.胡林角F.希厄姆河亨德森河Murray-Smith和D.法乔神经网络识别隐藏在视野中的人，使用单像素，单光子探测器。科学报告，8（1）：11945，2018。二、六[9] S. 昌河，巴西-地E. 沃伯顿湾加里福尼亚，J.Leach和D.Fac- cio.远距离非视线跟踪人。Op-tics Express，25（9）：10109-10117，2017. 二、六[10] W. Chen ， H.Wang ，Y.Li ，H. 苏 ， Z.Wang ， C.Tu ，D.Lischin- ski，D.Cohen-Or和B.尘合成训练影像以提升人体三维位姿估计。在3D Vision（3DV），2016年。6[11] D.艾根角Puhrsch和R.费格斯。使用多尺度深度网络从单个图像进行深度图预测。神经信息处理系统的进展，第2366-2374页，2014年。1[12] M. A. Figueiredo和J. M.比乌卡斯迪亚斯基于交替方向优化 的 泊 松 图 像 恢 复 。 IEEE transactions on ImageProcessing，19（12）：31334[13] M. A. Fischler和R. C.波尔斯随机样本同意：一个范例模型 拟 合 与 应 用 程 序 的 图 像 分 析 和 自 动 制 图 。Communications of the ACM，24（6）：381-395，1981.4[14] A. Foi. 剪切噪声图像：异方差建模和实用去噪。SignalProcessing，89（12）：2609-2629，2009. 3[15] A. Foi，M.特里梅什河谷Katkovnik和K.埃吉亚扎利安人单图像原始数据的实用泊松-高斯噪声建模与拟合。IEEE传输图像处理。，17（10）：1737-1754，2008. 3[16] C. 戈达尔湖，澳-地Mac Aodha和G.J. 布罗斯托具有左右一致性的无监督单目深度估计。在CVPR，第2卷，第7页，2017年。1[17] O.古普塔，T. Willwacher，A. Velten、A. Veeraraghavan，以及R. 拉 斯 卡 利 用 漫 反 射 重 建 隐 藏 的 三 维 形 状 Opt.Express，20（17）：19096-19108，2012年8月。一、二[18] R. Hartley和A.齐瑟曼。计算机视觉中的多视图几何。剑桥大学出版社，2003年。1[19] F.海德M. B. Hullin，J. Gregson，and W.海德里希利用光子混频器器件的低预算瞬态成像ACM Transactions onGraphics（ToG），32（4）：45，2013. 一、二、六、八[20] F.海德M. O'Toole，K. Zhang，L. Lindell，S. Diamond和G.韦茨斯坦使用单光子探测器的鲁棒非视线成像。arXiv预印本arXiv：1711.07134，2017。2[21] F.海德湖肖，W. Heidrich和M. B.胡林漫反射镜：使用廉价的曝光时间传感器从漫射间接照明进行3D重建。在Proceedings of the IEEE Conference on Computer Visionand Pattern Recognition中，第3222-3229页，2014年。一、二[22] W. 雅各布 Mitsuba renderer ，2010. http://www.mitsuba-renderer.org. 6[23] A. Jarabo，J. Marco，A.穆尼奥斯河 Buisan，W. Jarosz和 D. 古 铁 雷 斯 一 个 用 于 瞬 态 渲 染 的 框 架 。 ACMTransactions on Graphics （ Proceedings of SIGGRAPHAsia），33（6），nov 2014. 6[24] A. 卡丹比河Whyte，A.班达里湖斯特里特角巴西，A. Dorrington和R.拉斯卡光摄像机的编码时间：稀疏解卷 积 ， 以 解 决 多 径 干 扰 和 恢 复 时 间 分 布 。 ACMTransactions on Graphics（ToG），32（6 ）：167 ，2013。1[25] A. 卡丹比河Whyte，A.班达里湖斯特里特角巴西，A. Dorrington和R.拉斯卡光摄像机的编码时间：稀疏解卷 积 ， 以 解 决 多 径 干 扰 和 恢 复 时 间 分 布 。 ACMTransactions on Graphics（ToG），32（6 ）：167 ，2013。一、二[26] A. Kadambi，H. Zhao，B. Shi和R.拉斯卡使用飞行时间传 感 器 的 遮 挡 成 像 。 ACM Transactions on Graphics（ToG），35（2）：15，2016. 一、二[27] J. T.卡吉亚渲染方程。在Proc. SIGGRAPH，第143-150页，1986中。3[28] O. Katz，P. Heidmann，M. Fink和S.吉根通过散斑相关性通过散射层和拐角周围进行非侵入性单次拍摄成像。Nature Photonics，8（10）：784，2014. 2[29] O.卡茨，E.小，Y。希尔伯伯格用散射的非相干光实时观察周围的角落和透过薄的混浊层Nature Photonics，6（8）：549-553，2012. 2[30] A. Kirmani，T. Hutchison，J. Davis和R.拉斯卡用瞬态成像观察拐角处。在Proc. ICCV，第159-166页，2009中。一、二[31] J. 克莱因角彼得斯，J。马尔坦岛Laurenzis和M.B. 胡林使用2d强度图像跟踪视线外的物体。科学报告，6：680032491，2016。二、三[32] R.兰格采用cmos/ccd技术的定制固态图像传感器进行两千一、二6801[33] D. C. Liu和J. Nocedal.大规模优化的有限记忆bfgs方法数学规划，45（1-3）：503-528，1989. 4[34] D. G.洛基于局部尺度不变特征的目标识别。计算机视觉，1999年。第七届IEEE国际会议论文集，第2卷，第1150-1157页。Ieee，1999年。4[35] Y. Maruyama和E.木炭用于片上荧光检测的时间选通128× 128 cmos spad阵列。 在Proc. Intl.图像传感器研讨会（IISW），编号EPFL-CONF- 178145，2011年。2[36] N. Naik，S. Zhao，中国粘蝇A.韦尔滕河Raskar和K.巴拉使用多路散射和光时间成像的单视图反射捕获。ACM事务处理图表，30（6）：171，2011. 一、二[37] F. Nolet，S. Parent，N.罗伊，M.- O. Mercier，S.查理布瓦R. Fontaine和J. - F.普拉特淬灭电路和spad集成在cmos65 nm中，具有7.8 ps fwhm单光子定时分辨率。仪器，2（4）：19，2018。2[38] M. O'Toole ， F. Heide ， D. B. Lindell ， K. Zang ， S.Diamond和G.韦茨斯坦从单光子传感器重建瞬态图像。2017年IEEE计算机视觉和模式识别会议（CVPR），第2289- 2297页，2017年7月。二、四[39] M. O'Toole，F.海德湖Xiao，M. B. Hullin，W. Heidrich和K. N.库图拉科斯全球光传输的5d瞬态分析的时间频率探测。ACM Transactions on Graphics（ToG），33（4）：87，2014. 1[40] M. B. Lindell和G.韦茨斯坦基于光锥变换的共焦自然，第338-341页，2018年。二五六七八[41] M.奥图尔河Raskar和K. N. 库图拉科斯 原始-双重编码探测光的传输。ACM事务处理图表，31（4）：39-1，2012. 1[42] M. OToole，D. B. Lindell和G.韦茨斯坦基于光锥变换的非视线共焦成像自然，555（7696）：338，2018。一、二[43] R. 潘达卡， A. 维尔滕， A. Bardagjy， E. 劳森M. Bawendi和R.拉斯卡在杂乱环境中估计移动非视线目标的运动和尺寸。在Proc. CVPR，第265-272页，2011中。一、二[44] L. Parmesan，N.A. Dutton，N.J. Calder、A.J. 霍姆斯湖A. Grant和R.K. 亨德森一个9.8µ m采样保持时间-幅度转换 器 CMOS SPAD 像 素 。 在 固 态 器 件 研 究 会 议（ESSDERC），2014年第44届欧洲会议，第290-293页。IEEE，2014。2[45] A. K. Pediredla，M. Buttafava，A.托西岛O. Cossairt和A.维拉加万使用光子回波重建房间：一个基于平面的模型和重建算法，寻找周围的角落。2017年IEEE，2017年。2[46] B. T.凤 计算机生成图片的照明。Communications of the ACM，18（6）：311-317，1975.三、六[47] R. Raskar和J.汤布林计算摄影：掌握镜头、照明和传感器的新技术。A K Peters，Limited，2007年。1[48] O.龙内贝格山口Fischer和T.布洛克斯U-net：用于生物医学图像分割的卷积网络。医学图像计算和计算机辅助干预国际会议，第234-241页。施普林格，2015年。四五六[49] A. Saxena，S. H. Chung和A. Y. Ng.从单个单目图像学习深度神经信息处理系统的进展，第1161-1168页，2006年1[50] D. Scharstein和R.塞利斯基使用结构光的高精度立体深度图 计算机视觉与模式识别，2003年。诉讼2003年IEEE计算机学会会议，第1卷，第I-I页。IEEE，2003年。 第1、3条[51] D. Shin，F. Xu，L. 文卡特拉曼河 Lussana，F. 维拉F.扎帕，V.K.戈亚尔湾N. Wong和J. H.夏皮罗使用单光子照相机的光子效率成像。Nature communications，7：12046，2016. 4[52] S.宋，S. P. Lichtenberg和J.萧Sun rgb-d：rgb-d场景理解基准测试套件。在IEEE计算机视觉和模式识别会议上，第567-576页，2015年。1[53] C.- Y. Tsai，K. N. Kutulakos，S. G. Narasimhan和A. C.桑卡拉纳拉亚南用于非视线成像的第一返回光子的几何形状。IEEEInternational Conference on Computer Visionand Pattern Recognition（CVPR），2017年。一、二[54] A. 费尔滕，T. 威尔瓦赫尔湖，澳-地 古普塔A。维拉加万M. Bawendi和R.拉斯卡使用超快时间成像恢复拐角周围Nature Communications，3：745，2012。一、二、六[55] A. 维尔滕D.Wu，中国茶条A.哈拉博湾马西亚角巴尔西角乔希E.劳森，M。Bawendi，D. Gutierrez和R.拉斯卡飞秒摄影：捕捉和可视化光的传播。ACM事务处理图表，32，2013。2[56] D. Wu，M. O'Toole，A. Velten、A. Agrawal和R.拉斯卡利用光成像时间分解全球光传输。在Proc. CVPR，第366-373页，2012中。2[57] Z. Wu ， S.Song，中 国黑杨A.Khosla，F. 于湖 ，加-地Zhang，X.唐和J.肖。3d shapenets：体积形状的深度表示。在IEEE计算机视觉和模式识别集，第1912-1920页，2015年。6[58] F. Xu， G. 舒尔金 德角Thrampoulidis，J.H. Shapiro，A.Torralba，F. N. C. Wong和G. W.沃内尔通过基于光子有 效 遮 挡 的 机 会 主 动 成 像 揭 示 隐 藏 场 景 OSA Opt.Express，26（8）：9945-9962，2018。2