Cargando...
Fecha
2024-06-01
Editor/a
Director/a
Coordinador/a
Prologuista
Revisor/a
Ilustrador/a
Derechos de acceso
info:eu-repo/semantics/openAccess
Título de la revista
ISSN de la revista
Título del volumen
Editorial
Citas
0 citas en 
0 citas en 
Resumen
Non-Line-of-Sight Imaging (NLOS) is an experimental area in computational imaging which explores how it is possible to capture a scene which is not directly visible from the direct line-of-sight of a camera. Recovering information of hidden scenes has promising potential in society to make medical surgery less invasive, or to improve the safety of autonomous driving vehicles. Recent NLOS methods have proven to be effective at reconstructing scenes illuminated by ultra-short laser pulses from time-resolved measurements encoding geometry by indirect light reflections. They are constrained to the imaging aperture size of the optical system, and measured data does not provide any labeled supervision on priors which facilitate the reconstruction of the obscured scene. This work, based on a previous contribution, uses a Neural Radiance Field (NeRF) deep network to represent the hidden scene, and uses this learnt representation to accomplish the synthesis of different visual features of the hidden geometry. The proposed model will learn different benchmarks from synthetic data, and will analyze the advantages of the provided learnable representation in the imaging pipeline of NLOS. These advantages will end with the simulation of a virtual camera for multi-view imaging of the hidden scene, reconstructed by the replicated neural model, and without recapturing the system temporal response to synthesize new imaging views.
Las técnicas de imagen fuera de la línea de visión (NLOS) comprenden un área experimental de imagen computacional que explora cómo es posible capturar una escena que no es directamente visible desde la línea de visión de una cámara. Recuperar información de una escena oculta tiene un potencial prometedor en la sociedad para disminuir la invasividad de los procedimientos quirúrgicos o mejorar las prestaciones en seguridad de los vehículos autónomos. Los métodos para este fin han conseguido reconstruir escenas iluminadas por pulsos de láser ultrarrápidos del orden de femtosegundos. Estos métodos están limitados por el tamaño de la apertura del sistema óptico y la falta de supervisión sobre los detalles geométricos de la escena en las medidas experimentales empleadas para la reconstrucción. Este trabajo usa una arquitectura basada en NeRF para representar la escena oculta y para lograr la síntesis de distintas características visuales de la geometría. Este método aprenderá diferentes escenas desde datos sintéticos, y analizará las ventajas de la representación en la captura de imagen para NLOS. Esas ventajas culminarán con la simulación de una cámara virtual para captura multivista de la escena oculta, reconstruida por el modelo replicado, y sin recapturar para cada plano de imagen distinto.
Las técnicas de imagen fuera de la línea de visión (NLOS) comprenden un área experimental de imagen computacional que explora cómo es posible capturar una escena que no es directamente visible desde la línea de visión de una cámara. Recuperar información de una escena oculta tiene un potencial prometedor en la sociedad para disminuir la invasividad de los procedimientos quirúrgicos o mejorar las prestaciones en seguridad de los vehículos autónomos. Los métodos para este fin han conseguido reconstruir escenas iluminadas por pulsos de láser ultrarrápidos del orden de femtosegundos. Estos métodos están limitados por el tamaño de la apertura del sistema óptico y la falta de supervisión sobre los detalles geométricos de la escena en las medidas experimentales empleadas para la reconstrucción. Este trabajo usa una arquitectura basada en NeRF para representar la escena oculta y para lograr la síntesis de distintas características visuales de la geometría. Este método aprenderá diferentes escenas desde datos sintéticos, y analizará las ventajas de la representación en la captura de imagen para NLOS. Esas ventajas culminarán con la simulación de una cámara virtual para captura multivista de la escena oculta, reconstruida por el modelo replicado, y sin recapturar para cada plano de imagen distinto.
Descripción
Categorías UNESCO
Palabras clave
Non-Line-of-Sight Imaging, Computational imaging, Vision and Scene Understanding, Machine Learning approaches, imagen fuera de la línea de visión, imagen computacional, visión por computador, aprendizaje automático
Citación
Rodríguez Sanz, Salvador. Trabajo Fin de Máster: A Neural Reconstruction Method in Non-Line-of-Sight Imaging. Universidad Nacional de Educación a Distancia (UNED), 2024
Centro
E.T.S. de Ingeniería Informática
Departamento
Inteligencia Artificial