摘要
非视距成像技术致力于帮助人们观察视野外被遮挡的物体，能够极大拓展成像设备的成像范围，在自动驾驶、医学成像、智能感知等领域有重要的应用前景。由于现有基于物理的传统重建方法很难同时完成高质量和高速度的重建，非视距成像技术尚未实际应用。另一方面，数据驱动的深度学习方法具有强大的表示能力，同时测试阶段重建速度快，研究此类算法对非视距成像技术的实际应用有重要价值。然而，数据驱动的非视距成像基础研究基础薄弱，尚无大规模公开数据集，也缺乏合适的算法框架，对于被动非视距成像场景尤为如此。 针对上述问题，本论文首先通过实验和仿真的方式分别制作了被动非视距成像数据集(NLOS-Passive)和主动非视距仿真数据集。其中，NLOS-Passive包括了超过50组，共计3,200,000对数据，能够用来训练和评估不同数据驱动算法的重建能力和在不同光照条件下的表现，是被动非视距成像领域首个公开的大规模数据集。之后，本论文提出了一个新颖的数据驱动被动非视距重建算法(NLOS-OT)。它基于流形嵌入和最优传输，能够高质量地重建复杂场景。具体地，NLOS-OT将高维重建任务转化为一个低维空间上的最优映射问题，从而缓解了被动非视距成像任务的病态性，提高了重建质量。在NLOS-Passive上的实验结果表明，所提出的NLOS-OT框架能够取得好于现有方法的重建结果，并具有优秀的泛化能力和鲁棒性，能够较好重建数据集中没有出现过的真实数据。最后，本论文将NLOS-OT拓展到了主动非视距成像场景中，完成了主动非视距下的成像与探测任务，验证了NLOS-OT框架在不同非视距成像与探测任务上广泛的适用性。
NETL