論文の概要: Recent Advances on Non-Line-of-Sight Imaging: Conventional Physical Models, Deep Learning, and New Scenes

• arxiv url: http://arxiv.org/abs/2104.13807v1
• Date: Wed, 28 Apr 2021 14:56:04 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-29 12:41:07.678397
• Title: Recent Advances on Non-Line-of-Sight Imaging: Conventional Physical Models, Deep Learning, and New Scenes
• Title（参考訳）: 非視線イメージングの最近の進歩:従来の物理モデル、深層学習、新しいシーン
• Authors: Ruixu Geng, Yang Hu, Yan Chen
• Abstract要約: 非線形(NLOS)イメージングは、リレー面上の拡散反射を分析して隠れた物体を再構成することができる。 本稿では,従来型および深層学習型nlosイメージング技術の包括的概要について述べる。
• 参考スコア（独自算出の注目度）: 7.796622148422015
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As an emerging technology that has attracted huge attention, non-line-of-sight (NLOS) imaging can reconstruct hidden objects by analyzing the diffuse reflection on a relay surface, with broad application prospects in the fields of autonomous driving, medical imaging, and defense. Despite the challenges of low signal-to-noise ratio (SNR) and high ill-posedness, NLOS imaging has been developed rapidly in recent years. Most current NLOS imaging technologies use conventional physical models, constructing imaging models through active or passive illumination and using reconstruction algorithms to restore hidden scenes. Moreover, deep learning algorithms for NLOS imaging have also received much attention recently. This paper presents a comprehensive overview of both conventional and deep learning-based NLOS imaging techniques. Besides, we also survey new proposed NLOS scenes, and discuss the challenges and prospects of existing technologies. Such a survey can help readers have an overview of different types of NLOS imaging, thus expediting the development of seeing around corners.
• Abstract（参考訳）: 注目を浴びている新興技術として、nlos(non-line-of-sight)イメージングは、リレー面の拡散反射を分析して隠れた物体を再構築し、自動運転、医療画像、防衛の分野で広く応用される。 近年,低信号-雑音比 (SNR) と高雑音像の課題にもかかわらず,NLOSイメージングは急速に進歩している。 現在のnlosイメージング技術のほとんどは、従来の物理モデルを使用し、アクティブまたはパッシブ照明による画像モデルを構築し、隠れたシーンを復元するために再構成アルゴリズムを使用している。 さらに,NLOSイメージングのためのディープラーニングアルゴリズムも近年注目されている。 本稿では,従来型および深層学習型nlosイメージング技術の包括的概要について述べる。 また,提案するNLOSシーンについても調査を行い,既存技術の課題と展望について考察する。 このような調査は、読者が様々なタイプのNLOSイメージングを概観するのに役立つ。

関連論文リスト

• A Comprehensive Survey on Deep Neural Image Deblurring [0.76146285961466]
  画像の劣化は、ぼやけを引き起こす画像の劣化要素を排除し、画像の品質を改善して、テクスチャとオブジェクトの可視化を改善する。 伝統的に、画像の劣化で優先される事前ベース最適化アプローチは、ディープニューラルネットワークが最近この分野で大きなブレークスルーをもたらした。 私たちは、デブロアリングアプリケーションで使用される最も一般的なディープニューラルネットワーク構造を概説し、その強みと斬新さを説明し、パフォーマンスメトリクスを要約し、広く使われているデータセットを紹介します。
  論文  参考訳（メタデータ） (2023-10-07T07:29:42Z)
• Neural Radiance Fields (NeRFs): A Review and Some Recent Developments [0.0]
  Neural Radiance Field(NeRF)は、完全に接続されたニューラルネットワークの重みの3Dシーンを表すフレームワークである。 ベースフレームワークの性能と能力を拡張する最近の開発によって、NeRFはポピュラーな研究分野になってきた。
  論文  参考訳（メタデータ） (2023-04-30T03:23:58Z)
• Deep Learning for Event-based Vision: A Comprehensive Survey and Benchmarks [55.81577205593956]
  イベントカメラはバイオインスパイアされたセンサーで、ピクセルごとの強度の変化を非同期に捉える。 深層学習(DL)はこの新興分野に導入され、その可能性のマイニングに活発な研究努力にインスピレーションを与えている。
  論文  参考訳（メタデータ） (2023-02-17T14:19:28Z)
• Deep Industrial Image Anomaly Detection: A Survey [85.44223757234671]
  近年の深層学習の急速な発展は,産業用画像異常検出(IAD)のマイルストーンとなった 本稿では,ディープラーニングによる画像異常検出手法の総合的なレビューを行う。 画像異常検出のオープニング課題をいくつか取り上げる。
  論文  参考訳（メタデータ） (2023-01-27T03:18:09Z)
• Neural 3D Reconstruction in the Wild [86.6264706256377]
  そこで我々は,インターネット写真コレクションから効率よく高精度な表面再構成を実現する新しい手法を提案する。 そこで本研究では,これらのシーンにおける再構成性能を評価するための新しいベンチマークとプロトコルを提案する。
  論文  参考訳（メタデータ） (2022-05-25T17:59:53Z)
• Deep Image Deblurring: A Survey [165.32391279761006]
  低レベルのコンピュータビジョンにおいて、デブロアリングは古典的な問題であり、ぼやけた入力画像からシャープなイメージを復元することを目的としている。 近年のディープラーニングの進歩は、この問題の解決に大きな進歩をもたらした。
  論文  参考訳（メタデータ） (2022-01-26T01:31:30Z)
• Self-Denoising Neural Networks for Few Shot Learning [66.38505903102373]
  既存のニューラルアーキテクチャの複数の段階でノイズを追加すると同時に、この付加ノイズに対して堅牢であるように学習する新しいトレーニングスキームを提案する。 このアーキテクチャは、SDNN(Self-Denoising Neural Network)と呼ばれ、現代の畳み込みニューラルネットワークに容易に適用できます。
  論文  参考訳（メタデータ） (2021-10-26T03:28:36Z)
• A review of deep learning methods for MRI reconstruction [8.37609145576126]
  コンピュータビジョンと画像処理のための深層学習技術に触発された多くのアイデアが、MRIの高速化のための圧縮センシングの精神における非線形画像再構成に成功している。 本稿では,並列画像の改良に特化して提案されているニューラルネットベースのアプローチの最近の展開について概説する。
  論文  参考訳（メタデータ） (2021-09-17T15:50:51Z)
• Real-time Non-line-of-sight Imaging with Two-step Deep Remapping [0.0]
  非視線(NLOS)イメージングは、間接光を考慮に入れます。 ほとんどのソリューションは過渡走査プロセスを使用し、続いてNLOSシーンを再構築するためのバックプロジェクションベースのアルゴリズムが続く。 ここでは、上記の欠陥に対処する新しいNLOSソリューションを提案し、検出装置と再構成アルゴリズムの両方に革新をもたらす。
  論文  参考訳（メタデータ） (2021-01-26T00:08:54Z)
• Deep Learning in Photoacoustic Tomography: Current approaches and future directions [2.631277214890658]
  光音響トモグラフィーは、光吸収に基づく高解像度3次元軟組織像を提供することができる。 高速画像形成の必要性とデータ取得の実践的制約が新たなイメージ再構築の課題を呈している。 ディープ・ラーニング(ディープ・ニューラルネットワーク)やディープ・ニューラル・ネットワーク(ディープ・ニューラル・ネットワーク)がこの問題に多くの注目を集めている。
  論文  参考訳（メタデータ） (2020-09-16T11:33:29Z)
• Limited-angle tomographic reconstruction of dense layered objects by dynamical machine learning [68.9515120904028]
  強い散乱準透明物体の有限角トモグラフィーは困難で、非常に不適切な問題である。 このような問題の状況を改善することにより、アーティファクトの削減には、事前の定期化が必要である。 我々は,新しい分割畳み込みゲート再帰ユニット(SC-GRU)をビルディングブロックとして,リカレントニューラルネットワーク(RNN)アーキテクチャを考案した。
  論文  参考訳（メタデータ） (2020-07-21T11:48:22Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。