Core Concepts
비가시광 영상의 곡률 정규화 모델을 통해 효율적인 재구성 알고리즘을 제안하고 성능을 평가함.
Abstract
이 논문에서는 비가시광 영상의 곡률 정규화 모델을 제안하고, 이를 효율적으로 최적화하는 알고리즘을 개발하였습니다. 제안된 알고리즘은 합성 및 실제 데이터에 대해 평가되었으며, 압축 감지 설정에서 우수한 성능을 보였습니다. GPU 컴퓨팅을 기반으로 한 알고리즘은 반복적 방법 중에서 가장 효과적이었으며, 재구성 품질과 계산 시간을 균형 있게 유지했습니다.
INTRODUCTION
비가시광 영상은 센서의 직접 시야선을 벗어난 숨겨진 객체의 3D 모양과 시각적 외형을 복구하기 위해 시간에 따른 측정을 사용합니다.
재구성 문제는 직접 재구성 방법, 반복적 재구성 방법 및 딥러닝 기반 재구성 방법으로 나뉩니다.
곡률 정규화는 이미지의 가장자리와 표면의 연속성을 모델링하는 데 유용합니다.
OBJECT-DOMAIN CURVATURE METHOD
3D 임시 측정은 시간 연속 함수로 측정됩니다.
곡률 정규화는 빠진 정보를 채우고 부드러운 표면을 얻기 위해 사용됩니다.
곡률 정규화 모델을 해결하기 위한 효율적인 ADMM 알고리즘을 개발하였습니다.
DUAL-DOMAIN CURVATURE METHOD AND GPU IMPLEMENTATION
측정 데이터를 데이터 채우기 문제로 간주하는 이중 도메인 재구성 모델을 제안하였습니다.
GPU를 활용하여 알고리즘을 구현하였으며, 고속 NLOS 응용에 적합합니다.
Stats
제안된 알고리즘은 반복적 방법 중에서 가장 효과적이었으며, 압축 감지 설정에서 우수한 성능을 보였습니다.
Quotes
"Effective regularization methods have been used for various shape and image processing tasks."
"Curvature regularization is a good choice for under-sampled NLOS imaging problems to obtain smooth and satisfied reconstructed surfaces."