NLOS的博客

RFCanvas为RF场景建模带来了一股新的春风,它巧妙地融合了视觉先验和少量RF测量,实现了高精度、高适应性的RF模拟。这种方法不仅在精度上超越了传统的射线追踪和神经场景表示方法,还展现了出色的数据效率和动态适应能力。创新的场景表示:结合张量场和SDF,实现了既能捕捉细节又便于编辑的显式场景表示。高效的初始化和优化:利用视觉先验快速初始化场景,并通过少量RF测量进行精细调整。出色的动态适应能力:通过运动向量估计和场景表示操作,实现了对环境变化的快速响应。广泛的适用性。

RISiren系统的提出，为我们揭示了无线感知系统中潜在的安全风险。首创性：RISiren是首个利用可编程超表面进行无线感知系统攻击的端到端黑盒攻击系统。高隐蔽性：通过巧妙利用超表面技术，RISiren实现了高度隐蔽的攻击，难以被现有的防御机制检测。通用性：RISiren的攻击策略可以轻松推广到其他无线感知应用中。实用性：实验结果表明，RISiren在各种实际场景中都能保持高攻击成功率和鲁棒性。启发性：这项研究为未来安全、防篡改的无线感知系统设计提供了重要启示。

MetaBioLiq系统就像是为我们打开了一扇通往人体微观世界的窗户。它巧妙地结合了3D打印技术元表面设计和毫米波感知，创造出了一个能够远程、持续、无源地监测微量生物液体的智能系统。提出了一种全新的生物液体感知方法，克服了传统电化学传感器的多个局限性。设计了一种创新的3D打印元表面结构，能够有效放大微量液体的毫米波响应。开发了将商用毫米波雷达转化为网络分析仪的方法，大大降低了系统成本。实现了对微升级液体的远程、高精度检测，为未来的生物医学感知开辟了新的可能性。MetaBioLiq。

这类攻击通过分析设备生成的网络流量和无线信号特征来执行多级隐私泄露。IoT设备行为分析:通过分析智能设备在不同操作状态和任务下产生的独特网络流量模式来推断设备状态和用户行为。WiFi信号分析:利用环境因素和人类存在对WiFi信号传播的影响,通过分析接收信号强度指示器(RSSI)、信道状态信息(CSI)和波束成形反馈信息(BFI)的变化来推断人员活动和位置信息。本文是无线感知安全领域的首篇系统性综述,引入了一种创新的基于角色的分类框架,将研究根据无线信号的功能分类为受害者、武器和盾牌。

研究内容present ato频率乘法器的谐波功率放大器和低噪声放大器的非线性度接收机混频器的切换操作PA, LNA, 发射接收天线的有效带宽发射接收泄漏意义Insightslimited to attenuate the undesired harmonics(衰减不希望出现的谐波)

BackgroundMethodProposes mmFER , a novel mmWave radar based facial expression recognition systemUses a dual-locating approach to extract subtle facial muscle movements from noisy raw mmWave signals✅ Locates subjects by sensing biometric information (i.e.,

This paperMotivationCo-located sensing redundancy in modern autonomous vehicles✅ provides various forms of supervision cues for radar scene flow estimation.MethodsExperimentsSOTA performanceproves effective in inferring more accurate 4D radar scene flow us

本文提出了跨模态知识蒸馏的声学非视距成像方法。实验表明,这种方法可以充分利用两个模态的优势,使得模型对噪声更加鲁棒,同时能够很好地推广到未见过的物体。这为声学非视距成像提供了一个有前景的思路。通过图像网络指导音频网络的训练,音频网络获得了提取全局信息、进行高质量重建的能力。这种跨模态的框架设计也可推广到其他领域,是一种有效的知识迁移范式。

总的来说，文章提出了一种基于RIS的无线XR中的ISAC框架，并设计了一种基于MUSIC的实用定位算法。仿真结果验证了所提出的定位算法和优化方法的有效性，同时也表明增加RIS元素的数量可以显著提高定位精度和信道容量。这为未来无线网络的发展提供了新的研究方向，但同时也带来了一些新的挑战。希望未来的研究能够解决这些挑战，从而使得RIS能够在无线XR中得到更广泛的应用。本文的全文可以在这里找到，欢迎有兴趣的读者进行深入阅读。

背景稀疏阵列雷达can方法：提出目标：Leverages贡献：✅设计稀疏线阵：✅提出ComDecoder✅证明了CoIR的有效性：in both simulation and real-world experiments，且 不需要 auxiliary sensors实验结果。

本文提出了CoIR方法,实现了毫米波雷达的高精度稀疏成像。主要贡献包括稀疏天线阵列设计和基于压缩感知与隐式神经网络的重构方法。实验结果证明,该方法可以在使用较少天线的条件下重构出高质量的雷达图像,为降低成本的同时提高毫米波雷达的成像能力提供了一种新思路。CoIR也为隐式神经网络在其他成像领域中的应用提供了范例。

本文方法✅⇒⇒✅⇒⇒provide 不同距离下的综合图象实验结果对箱子内隐藏物体的高分辨成像：重建穿着衣服的人的表面图像✅ 能够 identify concealed dangerous objects。

本文针对分布式毫米波雷达成像问题,提出一种LC-SBL快速算法。其基于TBT矩阵的新分解思想,可以将大量计算转化为FFT运算,从而大幅降低SBL算法的计算复杂度。仿真和实验结果表明,LC-SBL算法不仅计算效率高,也使分布式雷达系统获得了与大孔径雷达相当的高角分辨率。未来可考虑在LC-SBL算法框架下,引入更多针对雷达任务的先验知识,如目标稀疏性、形状特征等,可望获得更好的成像效果。

在这篇来自2022年的ACM MobiCom会议的论文"mmEve: Remote and Motion-Resilient Eavesdropping on Smartphone’s Earpiece via COTS mmWave Device"中，作者们提出了一种基于商用毫米波传感器的远程侦听方法，可以用于恢复从智能手机耳机发出的语音。这项研究的关键出发点在于，智能手机的耳机模式通常用于私密通信，但其安全性尚未得到充分的研究。mmEve。

CVPR 2023 | 4D雷达场景流的跨模态监督学习注1:本文系“计算成像最新论文速览”系列之一,致力于简洁清晰地介绍、解读非视距成像领域最新的顶会/顶刊论文(包括但不限于 Nature/Science及其子刊;Light‐Science & Applications, Optica 等)。本次介绍的论文是:CVPR 2023 | 4D雷达场景流的跨模态监督学习code:CVPR 2023 | 4D雷达场景流的跨模态监督学习一、动机。

总的来说，非视域成像技术在近年来已取得了显著的进展，尤其是在基于飞行时间、相干信息和强度信息的非视域成像模式方面。尽管如此，我们仍然充满期待，因为随着技术的不断发展和进步，非视域成像技术的应用前景将更加广阔。尽管非视域成像技术在过去的几年中取得了显著的进步，但仍然面临许多挑战，包括硬件参数的限制、重建算法的复杂性、重建时间的长短以及图像分辨率的高低等。文章中介绍了三种非视域成像模式，包括基于飞行时间的非视域成像、基于相干信息的非视域成像（包括基于散斑图案和空间相干两种方法）、基于强度信息的非视域成像。

对于自动驾驶系统，或者任何需要进行实时3D感知的应用来说，一个重要的研究问题就是如何在复杂多变的环境中，保持准确和稳定的感知能力。这就引出了一种被称为"自然干扰"（Natural Corruptions）的挑战，包括恶劣天气、传感器故障、运动模糊等因素，都可能严重影响到3D感知系统的性能。然而，现有的大规模3D感知数据集，往往包含的都是精心清理过的数据，这些数据并不能很好地反映出在实际部署阶段，感知模型的可靠性。因此，本文的作者们提出了一个名为Robo3D。

自上个世纪70年代以来,研究者就一直在探索利用计算代理来模拟人类行为,以实现比如在虚拟世界中创建社交网络等目标。但是由于人类行为的复杂性,要做到这一点仍然具有很大挑战。近年来,随着大模型(LLM)技术的发展,这一目标似乎又有希望实现。LLM通过预训练获得的知识储备具有模拟人类行为的潜力。但是LLM本身的上下文长度限制使其难以处理需要随时间不断更新的长期记忆。所以还需要新的模型框架来支持LLM的应用。本文提出了生成式代理这个全新的代理构建与应用方向。

0.25 page目标针对雷达range-doppler images (RDI) 的OOD检测贡献提出了一种基于reconstruction的多类OOD检测器,用于毫米波雷达图像分类🚩目标是将除坐着、站立或行走的人之外的任何运动目标识别为OOD提出了呼吸检测器(RESPD)来检测人体轻微运动,如呼吸🚩以简化OOD检测难度实验在60GHz短程FMCW雷达采集的数据集上对坐着、站立、行走三个类别进行OOD检测,获得了97.45%、92.13%、96.58%的AUROC。

研究内容提出了一种使用毫米波FMCW雷达检测人体咳嗽信号的信号处理方法✅ 利用FMCW雷达的相位解调技术可以提取咳嗽引起的微小振动✅ 采用身体运动伪像消除(BMAC)技术可以抑制运动伪像⇒⇒（运动伪像可以轻易掩盖小振动）✅ 即使存在大规模身体运动也可以测量咳嗽信号的振动频率实验验证进行了仿真来评估所提出方法检测咳嗽信号的概率和准确性✅ 包括分析了FMCW线性调频非线性的影响提出的技术还通过60 GHz FMCW雷达进行了验证实验贡献总结首次使用FMCW雷达实现了咳嗽信号的检测。

动机感知人体的姿态和形状对于许多应用至关重要传统摄像头: face challenges like occlusions and poor lighting⇒⇒利用RF信号构建人体网格M4^44esh system利用商用毫米波(mmWave)雷达进行多目标3D人体网格构建检测和跟踪主体: 在2D能量图上预测主体边界框解决主体之间的相互遮挡问题: 利用前几帧主体边界框的位置、速度和大小信息。

目标使用神经网络从点云中提取特征应用加权最小二乘进行运动估计提出多普勒损失定位内点Test on。

动机🚩 支持许多面部驱动的场景,包括虚拟现实(VR)模型、人机交互和情感计算应用然而，Mainstream vision-based methods 可能会面临隐私问题,并受到障碍场景和光照条件差的影响⇒⇒非侵入性的3D人脸重建系统mm3DFace,利用毫米波雷达重建连续表现面部表情的3D人脸🚩 保护隐私 + 不受光照影响step 1: 基于预处理后的毫米波信号,mm3DFace首先通过ConvNeXt模型和三重损失嵌入提取捕捉面部表情细微变化的面部几何特征step 2。

Motivation & ProblemProposed Solution提出Fusang,仅依赖商用毫米波雷达实现高分辨三维目标识别1 HRRP: 建立目标散射点在视线方向上的投影,即高分辨距离剖面(HRRP) ✅ ⇒\Rightarrow⇒ 通过在每个距离单元中对来自目标散射体的复杂时间回波进行相干求和而获得的一维向量,直接将目标轮廓与雷达信号的散射特征相关联❌ 缺点：室内多径的影响 + 目标的HRRP数据本身就容易受到不同参数和测量条件的影响2 使用SVMD和定位捕获多径环境下信号的多频信息 ⇒\

背景提出一种从摄像机图像和稀疏雷达点云推断密集深度图的方法Challenge：毫米波雷达点云形成的挑战,如模糊性和噪声⇒⇒无法正确映射到camera images上设计一个网络将每个雷达点映射到图像平面上可能投影的表面与现有工作不同,我们不直接处理原始雷达点云,而是查询每个原始点与图像中可能的像素进行关联——产生半密集的雷达深度图提出带门控融合方案,考虑对应分数的置信度,选择性地结合雷达和相机嵌入来产生密集深度图。

presentThisexploits⇒⇒但允许不规则的轨迹(Conventional SAR 需要 canonical acquisition surfaces包括and⇒⇒易于 deploy and calibrateMethods⇒⇒✅ inexperienced users 也可以进行扫描。

在Security monitoring field 作用很大real-time全天候全天时挑战：已成为 abottleneck本文贡献： WRDIWRDI: a意义for.

使用深度学习，基于sparse raw mmwave radar intensity data包括 2 back-to-back GAN:1st GAN: 由radar data生成 2D depth images2nd GAN: 由2D depth images 生成3D点云优点：1 利用CNN提取局部结构特征2 利用了点云的高效和能够表达细节几何特征的能力？（意思是输出的点云有这些优点？）

Motivation:光学传感器则反之本文：HawkEye基于mmWave signal 的structure和nature设计实现了a data synthesizer：合成训练数据集。

Kun Qian, Zhaoyuan He, Xinyu ZhangUCSDProceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies (ACM IMWUT)内容在优快云、知乎和微信公众号同步更新Extremely low resolution❌ due to its small form factor❌ only generates intensity maps with strong ref

毫米波目标检测论文 | Radar Transformer: An Object Classification Network Based on 4D MMW Imaging RadarJie Bai, Lianqing Zheng , Sen Li , Bin Tan, Sihan Chen and Libo Huang同济大学Sensors原始论文地址: https://www.mdpi.com/1424-8220/21/11/3854本文为毫米波目标检测论文 Radar Transf.

NLOS成像论文 | Non-line-of-sight imaging under white-light illumination: a two-step deep learning approachShanshan Zheng, Meihua Liao, Fei Wang, Wenqi He, Xiang Peng, and Guohai Situ中科院上海光机所，深圳大学等Optics Express本文为NLOS成像论文 Non-line-of-sight imaging under w

要求使用VS code编辑 markdown文件；插入图片非常方便：可使用QQ/微信截图 + Ctrl V粘贴到VS code且自动上传到可访问的云中，并返回图片链接形式能够方便地导出pdf解决方案Markdown Image插件：支持直接粘贴图片到VS code中，并上传到指定的平台如本地、qiniu、ithub等可自定义图片粘贴快捷键，如修改为ctrl V参考链接七牛 qiniu 云对象存储，用于存储和访问粘贴的图片为了长时间工作，需要自定义域名使用了阿里云

问题复制pdf时，经常会遇到在不该换行的地方换行的情况。解决曾经有一个网站: pdfcoy,cn 可以解决这个问题，但目前该网站已经无法访问。感谢作者在github上已经开源: https://github.com/pdfcopy/pdfcopy.github.io只需要fork + 发布pages, 即可在自己的github.io下发布:https://ruixv.github.io/pdfcopy.github.io/经验证，在上述链接下的效果和原pdfcopy.cn下相同。...

论文原文：Ting-Chun Wang, Ming-Yu Liu, Andrew Tao, Guilin Liu, Jan Kautz, and Bryan Catanzaro. "Few-shot Video-to-Video Synthesis", in NeurIPS, 2019.https://nvlabs.github.io/few-shot-vid2vid/main.pdf论文地址：https://nvlabs.github.io/few-shot-vid2vid/..

原始论文：Markus-Christian Amann, Thierry M. Bosch, Marc Lescure, Risto A. Myllylae, Marc Rioux, "Laser ranging: a critical review of unusual techniques for distance measurement," Opt. Eng. 40(1) (1 January 2001)https://doi.org/10.1117/1.1330700激光测距：一种不寻常的.

论文原文：Wenzheng Chen, FangyinWei, Kiriakos N. Kutulakos, Szymon Rusinkiewicz, and Felix Heide. 2020. Learned Feature Embeddings for Non-Line-of-Sight Imaging and Recognition. ACM Trans. Graph. 39, 6, Article 230 (December 2020), 18 pages. https://doi.org/1

在学习单光子计数器的时候涉及到了外光电效应和光电倍增管。为了对外光电效应和光电倍增管有更深刻的印象，故参考下面的论文写了本文。王海科,吕云鹏.光电倍增管特性及应用[J].仪器仪表与分析监测,2005(01):1-4.光电倍增管的理论基础光电子发射效应(外光电效应):光照在照在光电材料上，材料表面的电子吸收的能量，若电子吸收的能量足够大，电子会克服束缚逸出表面，从而改变光电子材料的导电性，这种现象成为外光电效应。 二次电子发射：二次电子发射是指用电子流或离子流轰击物体表面，使之发射电子..

论文阅读Henley, C., Maeda, T., Swedish, T., & Raskar, R. (2020, August). Imaging Behind Occluders Using Two-Bounce Light. InEuropean Conference on Computer Vision(pp. 573-588). Springer, Cham.https://www.media.mit.edu/publications/imaging-behind-occl..

T.-C. Wang et al., “Video-to-Video Synthesis,” arXiv:1808.06601 [cs], Dec. 2018, Accessed: Nov. 03, 2020. [Online]. Available: http://arxiv.org/abs/1808.06601.论文项目地址:https://tcwang0509.github.io/vid2vid/Abstractvideo-to-video synthesis: 学习一个从输入视频..