(une), Pour reconstruire l'objet invisible, certaines sources lumineuses sont utilisées pour éclairer un mur visible. Les photons renvoyés par l'objet sont détectés en plusieurs points de la paroi visible. (b), La vérité terrain et notre reconstruction. Le x, Les composantes y et z sont affichées dans leurs valeurs absolues. (c), Organigramme de l'algorithme. Le cadre de régularisation proposé intègre la rareté et l'auto-similitude non locale de l'objet caché ainsi que la régularité du signal. Deux dictionnaires orthogonaux sont utilisés pour capturer les structures locales et les corrélations non locales de la cible cachée. Le signal estimé et les modèles appris de la cible sont affichés sur la gauche. L'albédo reconstitué est montré sur la droite. Crédits :Xintong Liu, Jianyu Wang, Zhupeng Li, Zuoqiang Shi, Xing Fu, Lingyun Qiu
L'imagerie sans visibilité directe (NLOS) vise à récupérer des objets obscurcis à partir de plusieurs lumières diffusées. Il a récemment reçu une large attention en raison de ses applications potentielles telles que la conduite autonome, opérations de secours, et la télédétection. Dans des applications réelles, des lasers ou autres sources lumineuses sont utilisés pour éclairer un mur visible, la lumière diffusée à partir de laquelle atteint l'objet caché et est à nouveau diffusée. Les photons collectés par les détecteurs peuvent être utilisés pour récupérer l'emplacement, forme, albédo, et normal de la cible. Cependant, les mesures sont inévitablement corrompues par le bruit, qui est l'un des obstacles majeurs pour obtenir des reconstructions de haute qualité. Lorsque le bruit de mesure est élevé, les cibles reconstruites avec les méthodes existantes sont généralement bruitées avec des frontières floues.
Dans un nouvel article publié dans Science de la lumière et application , une équipe de scientifiques, dirigé par le professeur Xing Fu du Département des instruments de précision, Université de Tsinghua, Chine, et le professeur Lingyun Qiu du Yau Mathematical Sciences Center, Université de Tsinghua, Chine, ont développé un cadre unifié pour des reconstructions NLOS de haute qualité et résistantes au bruit. La technique est basée sur la régularisation collaborative du signal et de l'objet reconstruit, appelée méthode de régularisation collaborative signal-objet (SOCR).
Différent des travaux précédents qui utilisent directement les mesures brutes comme données d'entrée, une approximation du signal idéal est introduite dans le cadre SOCR. Le terme de régularisation conçu se concentre sur la rareté et l'auto-similarité non locale de l'objet caché ainsi que sur la régularité du signal estimé. Ce cadre nouvellement développé est puissant pour reconstruire à la fois l'albédo et la normale de surface des cibles cachées dans les paramètres généraux non confocaux. Les reconstructions obtenues ont des structures locales claires, limites nettes, et peu de bruit en fond, même en présence de bruit important dans les mesures brutes. La méthode et la technique rapportées ouvriront de nouvelles voies pour les tâches de reconnaissance et de classification en conduite autonome, opérations de secours, et la télédétection à l'avenir.
Ces scientifiques résument le principe opérationnel de leur cadre de reconstruction :
"Nous concevons le terme de régularisation collaborative sous trois hypothèses :(1) La cible reconstruite est clairsemée dans le domaine de reconstruction ; (2) Les structures locales de l'objet caché se répètent plusieurs fois dans le domaine de reconstruction ; (3) Le signal correspondant à la reconstruction la cible est lisse."
"Le framework proposé peut également être utilisé comme module d'extension dans différents modèles physiques. De plus, le terme de régularisation collaborative proposé peut être encore simplifié pour s'adapter aux cas où seul l'albédo doit être reconstruit, " ont-ils ajouté.
« Dans le terme de régularisation collaborative proposé, deux dictionnaires sont utilisés pour capturer les structures locales et les corrélations non locales de la scène hors de vue directe. Les atomes du dictionnaire et leurs coefficients correspondants peuvent être considérés comme des caractéristiques de la cible reconstruite, qui peut être utilisé pour d'autres tâches, telles que la reconnaissance et la classification dans diverses applications, ", prédisent les scientifiques.
