量子位 宣布 | "大众号 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，分辨率乃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，仅采取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厘米字母的样子容貌。
并且，只须要两张 1/8s 曝光长度的图像，就能达到300μm的分辨率。
作者之一的Prasanna Rangarajan阐明说，能以较短的实时成像曝光韶光识别工具，这一点对付运用而言是至关主要的。
而另一位作者，普林斯顿大学打算机科学助理教授Felix Heide指出：
非视距成像在医学成像、导航、机器人技能，以及国防领域都有主要的运用代价。
我们的事情推动该技能在各种运用领域更进一步。
分辨率达到亚毫米级别实验装置是这样设置的：
激光从光源射出，经由反射形成虚拟光源打到隐蔽工具上，而后，隐蔽工具反射的光会在粗糙墙壁上形成散射光（称为虚拟探测器），研究职员会利用这些斑点图案来重构被遮挡的工具。
虚拟探测器和视觉盲区里的隐蔽工具，间隔约为1米。
激光光源为500mW，532nm的CW激光源（Azur Light Systems ALS-532）。镜头则采取了焦距180mm的佳能长焦微距镜头。
实验中，研究职员移除了相机的保护玻璃，以减少内部反射。
结果表明，在CNN的“解谜”下，仅利用两张 1/8s 曝光长度的图像，就可以以300μm的分辨率，重修1m外的识别工具。
△「7」和「F」高度均为1cm用CNN办理喧华相位复原问题
此前，阻碍非视距（non-line-of-sight，NLoS）成像技能分辨率提升的，是相位复原（PR）的局限性，PR方法常日对噪声非常敏感。
为了充分利用低信噪比的丈量数据，从漫反射斑点图案中重修工具，研究职员开拓了针对特色噪声合成数据进行演习的AI算法。
详细改进如下：
利用频谱密度估计的结果，剖析与NLoS干系的噪声分布。提出了一种天生PR演习数据的新方法，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提出并剖析了新的平移不变丢失函数。证明CNN比传统方法更快且更可靠。研究职员利用稀疏的“非构造化”图像数据集演习CNN。数据集来自Berkeley Segmentation Dataset 500。
△上为边缘探测器成像，下为其对应的自干系
比较于传统PR算法，这一基于CNN的方法对噪声更加鲁棒。也便是说，新方法可以在更弱的光芒下事情，帧速更高。
还原看不见的去世角
利用传感器肃清视觉去世角的研究，实在早已展开。
比如MIT人工智能实验室的图像重修算法：根据影子，还原看不见的去世角。
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示，利用扬声器和麦克风来捕获声波反射韶光，还原隐蔽工具的图像。
而提高系统的分辨率，让这项技能更早运用到自动驾驶等领域之中，办理实际问题，则是研究职员们持续努力的方向。
传送门论文：https://www.osapublishing.org/optica/fulltext.cfm?uri=optica-7-1-63&id=425998
GitHub：https://github.com/ricedsp/Deep_Inverse_Correlography
干系宣布：https://venturebeat.com/2020/01/16/researchers-propose-system-that-taps-ai-to-see-hidden-objects-around-corners/
— 完 —
量子位 QbitAI · 头条号签约
关注我们，第一韶光获知前沿科技动态