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。
作者之一的Prasanna Rangarajan解释说，能以较短的实时成像曝光时间识别对象，这一点对于应用而言是至关重要的。
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。
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。
结果表明，在CNN的“解谜”下，仅使用两张 1/8s 曝光长度的图像，就可以以300μm的分辨率，重建1m外的识别对象。
△「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
论文：https://www.osapublishing.org/optica/fulltext.cfm?uri=optica-7-1-63&id=425998
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/
— 完 —
“
