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,可达亚毫米级分辨率

原标题: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,可达亚毫米级分辨率

鱼羊 发自 凹非寺

量子位 报道 | 公众号 QbitAI

在视觉盲区里潜藏的障碍物,传感器能“看”得到吗?

答案是,不仅可以,分辨率甚至能达到亚毫米级别。

这项来自斯坦福、莱斯大学、普林斯顿和南卫理公会大学等高校的最新研究,仅采用商用相机和标准指示器中的激光光源,就隔着 1米远,利用AI看穿了拐角里 1厘米字母的模样。

并且,只需要两张 1/8s 曝光长度的图像,就能达到300μm的分辨率。

而另一位作者,普林斯顿大学计算机科学助理教授Felix Heide指出:

非视距成像在医学成像、导航、机器人技术,以及国防领域都有重要的应用价值。

我们的工作推动该技术在各种应用领域更进一步。

非视距成像在医学成像、导航、机器人技术,以及国防领域都有重要的应用价值。

我们的工作推动该技术在各种应用领域更进一步。

实验装置是这样设置的:

激光从光源射出,经过反射形成虚拟光源打到隐藏对象上,而后,隐藏对象反射的光会在粗糙墙壁上形成散射光(称为虚拟探测器),研究人员会利用这些斑点图案来重构被遮挡的对象。

虚拟探测器和视觉盲区里的隐藏对象,距离约为1米。

激光光源为500mW,532nm的CW激光源(Azur Light Systems ALS-532)。镜头则采用了焦距180mm的佳能长焦微距镜头。

实验中,研究人员移除了相机的保护玻璃,以减少内部反射。

「7」和「F」高度均为1cm 用CNN解决嘈杂相位复原问题

此前,阻碍非视距(non-line-of-sight,NLoS)成像技术分辨率提升的,是相位复原(PR)的局限性,PR方法通常对噪声非常敏感。

为了充分利用低信噪比的测量数据,从漫反射斑点图案中重建对象,研究人员开发了针对特征噪声合成数据进行训练的AI算法。

具体改进如下:

  • 使用频谱密度估计的结果,分析与NLoS相关的噪声分布。
  • 提出了一种生成PR训练数据的新方法,无需实验、建模场景语义。
  • 为PR问题提出了一种新的映射,并为基于学习的PR提出并分析了新的平移不变损失函数。
  • 证明CNN比传统方法更快且更可靠。

研究人员使用稀疏的“非结构化”图像数据集训练CNN。数据集来自Berkeley Segmentation Dataset 500。

上为边缘探测器成像,下为其对应的自相关

相比于传统PR算法,这一基于CNN的方法对噪声更加鲁棒。也就是说,新方法可以在更弱的光线下工作,帧速更高。

还原看不见的死角

利用传感器消除视觉死角的研究,其实早已展开。

比如MIT人工智能实验室的图像重建算法:根据影子,还原看不见的死角。

去年,英特尔实验室和斯坦福大学的科学家则受地震成像启发,利用扬声器和麦克风来捕获声波反射时间,还原隐藏对象的图像。

而提高系统的分辨率,让这项技术更早应用到自动驾驶等领域之中,解决实际问题,则是研究人员们持续努力的方向。

传送门

GitHub:

https://github.com/ricedsp/Deep_Inverse_Correlography

相关报道:

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

作者系网易新闻·网易号“各有态度”签约作者

AI内参|把握AI发展新机遇

拓展优质人脉,获取最新AI资讯&论文教程,欢迎加入AI内参社群一起学习~

跟大咖交流 | 进入AI社群

量子位 QbitAI · 头条号签约作者

վ'ᴗ' ի 追踪AI技术和产品新动态

喜欢就点「在看」吧 !返回搜狐,查看更多

责任编辑:

声明:该文观点仅代表作者本人,搜狐号系信息发布平台,搜狐仅提供信息存储空间服务。
免费获取
今日搜狐热点
今日推荐