在现代计算机网络领域，Non-Line-of-Sight（NLOS）成像方法显示出不错的实验结果，但仍存在一些短板。比如图像形成和反演模型的速度较慢；受到可成像的隐藏表面类型的限制；NLOS算法不支持非平面采样面和非共焦扫描。在此基础上，提出了一种基于波的NLOS成像模型，采用频域法f-k偏移来求解NLOS反演问题。与现有的NLOS算法不同的是，f-k偏移算法不仅速度快，而且内存效率高，它对镜面和其他复杂的反射率特性具有很强的鲁棒性，且易于实现。

　　扩展阅读：非视距（NLOS）是当无线电发射器和接收器不在直接视觉视线中时经常使用的术语，并且这通过在信号传播中使用多个路径来处理。通过使用天线和其他这样的通信设备可以克服非视线。现代计算机网络最大的问题是有效地减少NLOS，这是通过在各个点使用继电器在无线网络上完成的，以便信号在障碍物周围传输而不会丢失数据或传输质量。多路径信号传播也被广泛使用。

　　斯坦福大学电气工程助理教授戈登韦茨坦说，“人们都在谈论打造一款摄像头，希望这类设备能够具备像人类一样的视觉能力，然后将该类摄像头应用到自动驾驶汽车和机器人中。然而，我们想要打造的摄像头系统，从功能性上讲，要远超前者。我们想要摄像头呈现3D视觉影像，且能兼顾环境场景的各个角落，采用可见光光谱（visible light spectrum）成像。”

　　对于研究而言，确保这类系统的实用性显然是重中之重。以前的摄像头系统极其依赖均匀且足够强的环境光线。然而，诸如闪闪发光一闪而过的车辆等真实世界场景中的目标物却不属于上述范畴。而全新的摄像机系统能够以高能激光扫描周边环境，物体反射到周围墙壁上的单个光粒子能被摄像机的先进传感器捕获并通过处理算法重建环境。

　　该研究团队所用技术的先进之处在于：其激光器的功能性要比一年前的同类产品强上万倍。该激光器可扫描场景中物体对立面的墙壁及反射到墙壁上的光。激光将反射到墙壁上，然后再反射回摄像头传感器。尽管当激光反射回到传感器时仍处于粒子状态，但传感器依旧能捕获所有的激光粒子，利用高效的算法来破解光回声（echoes of light）背后隐藏的画面。

　　该系统的扫描速率为4帧/秒，能够以60帧/秒的速度重构场景，但需要用到计算机和一款图像处理软件，后者可增强图像处理能力。能看到从角落等视野盲区处反射回来的不可见光的实时运动，这对于汽车来说是一个令人激动的消息，但是针对自动驾驶汽车或机器人的应用系统还需要进一步的改进。该研究团队将会在自动研究汽车上测试新的摄像机系统，除了进行速度和分辨率等改进之外，研究团队还将使系统变得更加通用，以应对更具挑战性的视觉环境，例如雾霾、雨雪及沙尘暴等天气。

　　斯坦福大学（StanfordUniversity）电气工程专业的研究生大卫林德尔（David Lindell）亲自实验。他穿上了一件高能见度运动服，开始在一间空房间里行走、做各种动作。通过该团队研发的系统模型，他的同事可以清楚的观察到他的举动。这其中的道理是：因为肉眼隐藏着，他被高功率激光扫描，他反射到他周围墙壁上的单个光粒子被摄像机的先进传感器和处理算法捕获并重建。

　　此方法入选了ACM Trans.，参加了7月28日-8月1日举办的SIGGRAPH 2019，并于今日（8月1日）进行公开演示（查看会议详情请访问：https://s2019.siggraph.org/）。该项目还获得斯坦福大学研究生奖学金，国家科学基金会，特曼学院奖学金，斯隆奖学金，由阿卜杜拉国王科技大学、斯坦福大学汽车研究中心出资赞助。

　　作者David Lindell自己评价这个系统模型称，“你看着激光扫描时，你看不到任何东西。但有了这个硬件，我们基本上可以‘减慢’时间并显示这些光迹，它看起来几乎就像是魔术。同时也希望超人视觉系统可以帮助自动驾驶汽车和机器人比人工引导更安全地运行”。

　　【Github】：

　　https://github.com/computational-imaging/nlos-fk

　　【数据集】：

　　https://drive.google.com/file/d/1_av9TdJ-J22qAUNs1ueZ8ETuRRW2KHg_/view

　　【论文下载】：

　　https://drive.google.com/file/d/1IizX1BXRICwBEJdGNu_bFaZ6oq4E92hQ/view

　　【补充材料下载】：

　　https://drive.google.com/file/d/1d_aY09rBeZRpup9-XxPkILbND4QESO7l/view

　　【更多详细信息】：

　　http://www.computationalimaging.org/publications/nlos-fk/