NLOS的博客

Statistics starting from 01/2024, 仅列出了优秀工作中的一部分||每周更新。

Hydra系统通过创新性地融合毫米波雷达和RGB相机技术,实现了对叶片湿度的高精度、高效率和高鲁棒性检测。多模态融合:首次将毫米波SAR成像与RGB图像有机结合,克服了单一模态的局限性。深度学习创新:设计了独特的单深度融合模块和基于Transformer的多深度特征编码器,有效提取和整合多源数据的特征。系统效率提升:通过优化SAR扫描策略,在保持高精度的同时将系统效率提高了25%。环境适应性:通过多样化的数据增强和模型训练策略,使系统在各种复杂环境下保持稳定高效的性能。

这项研究通过巧妙地利用单一毫米波雷达，研究团队成功克服了传统方法面临的诸多挑战，实现了高精度的群体计数和行为分析。新颖的数学模型：通过建立群体遮蔽效应的统计模型，有效解决了大规模群体计数的难题。灵活的机器学习方法：引入时间卷积网络，扩展了系统对复杂空间模式的处理能力。创新的信号处理技术：提出自适应阈值处理方法，有效提取有用信息并抑制噪声。这项研究不仅在技术上取得了突破，其应用前景也令人振奋。从智慧城市的交通管理到大型活动的安全监控，从零售业的客户行为分析到公共场所。

Hydra系统的出现,就像是为毫米波雷达打开了一扇新的大门。突破视场限制：能够感知直接视场之外的物体。穿透遮挡：可以"看到"被遮挡的目标。全方位感知：甚至能够探测雷达后方的物体。提高精度：显著降低了目标定位的误差。Hydra的创新之处在于,它不需要额外的硬件,也不需要预先了解环境信息。这种"软件升级"的方式,使得现有的毫米波雷达系统可以轻松获得超视场感知能力,大大提升了其应用潜力。展望未来,Hydra为毫米波雷达技术的发展开辟了一条新的道路。在自动驾驶。

高精度校准：EiCal能够从有限的码本信息中提取出高精度的校准向量。鲁棒性：即使只使用少量的码本信息，EiCal也能获得良好的校准效果。广泛适用性：EiCal在各种应用场景（基本波束形成、压缩感知、零点转向）中都表现出色。优于现有方法：在所有测试中，EiCal都显著优于无校准和Nulli-Fi等基线方法。这些实验结果不仅验证了EiCal方法的有效性，还展示了其在实际应用中的巨大潜力。EiCal为毫米波通信系统的性能优化开辟了一条新的道路，有望在5G/6G通信、车联网、室内定位等领域发挥重要作用。

雷达信号预处理基于邻域空间/速度的幻影点去除基于跨帧累积聚合的车辆检测让我们深入探讨每个步骤的具体实现。mmOVD系统的提出无疑是自动驾驶领域的一个重大突破。它巧妙地利用了毫米波雷达的特性，解决了长期以来困扰业界的全遮挡车辆检测问题。这项研究不仅在技术上具有创新性，更在实际应用中展现出巨大的潜力。首次实现了对完全被遮挡车辆（包括摩托车）的准确检测。提出了一套基于邻域空间和速度分布的特征集，有效解决了幻影点问题。设计了一种新的检测系统，通过保守聚类和累积聚合的方法，有效处理了不稳定的雷达信号。

RFlect系统的出现，无疑为拐角成像技术开辟了一个新的时代。它巧妙地利用了环境中的各种反射面，实现了在实际环境中的高分辨率非视线成像。这项技术不仅在理论上有重要突破，在实际应用中也展现出巨大潜力。从自动驾驶到灾难救援，从仓库管理到安防监控，RFlect的应用前景广阔。尽管还存在一些限制，但RFlect无疑为未来的研究指明了方向。随着技术的不断进步，我们可以期待看到更加强大、更加通用的拐角成像系统的出现。这将为我们打开一个全新的视界，让我们能够以前所未有的方式感知和理解周围的世界。

αLiDAR系统代表了LiDAR技术的一个重要突破。通过创新性地结合可控制的主动旋转机制、精确的不确定性感知状态估计算法和自适应旋转规划，αLiDAR成功地克服了传统LiDAR系统的多个限制。实现了全景视场，大大扩展了LiDAR的感知范围。提供了高分辨率的点云数据，增强了环境细节的捕捉能力。引入了自适应扫描聚焦功能，能够根据需要灵活地关注特定区域。开发了创新的状态估计算法，有效解决了快速旋转带来的点云失真问题。在保持低成本的同时，显著提升了LiDAR的整体性能。

RFMagus开创了一种利用网络化超表面来编程无线环境的新范式。通过巧妙地协调多个超表面设备的工作,RFMagus成功地实现了对复杂室内环境的精准信号覆盖。这一系统不仅显著提升了信号强度和网络吞吐量,还展现出了对多种无线协议的良好兼容性和对用户移动性的支持能力。尽管还存在一些待解决的问题,但RFMagus无疑为解决复杂室内环境中的无线覆盖难题提供了一个极具前景的方案。

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。

本文提出的无监督变分翻译器(VaT)为桥接图像恢复与高级视觉任务提供了一种新颖而有效的方法。通过变分推断和不确定性引导的自训练,VaT成功地在不需要配对数据和模型重训练的情况下,显著提升了高级视觉任务在退化环境中的性能。理论基础扎实:通过变分推断推导出的优化目标,为无监督学习提供了坚实的理论支撑。架构灵活轻量:采用轻量级网络连接现有模型,无需重训练即可实现性能提升。性能显著:在多个任务和数据集上均展现出优于现有方法的性能。通用性强:适用于多种图像恢复和高级视觉任务的组合。

本文提出的WiAdv方法揭示了基于WiFi的手势识别系统存在潜在的安全漏洞。通过信号合成黑盒攻击和鲁棒性优化等技术，WiAdv能够在物理环境中有效地欺骗目标系统。这项研究不仅展示了WiFi手势识别系统的脆弱性，也为未来的安全研究和防御机制设计提供了重要启示。如何提高攻击策略生成的效率如何降低攻击设备的硬件要求如何提高攻击的泛化性和隐蔽性如何设计有效的防御机制。

本文提出的Radar2Radar^2Radar2系统为隐蔽间谍雷达的检测与定位提供了一种创新性的解决方案。通过巧妙利用商用毫米波雷达的硬件特性,结合先进的信号处理和机器学习技术,Radar2实现了对各种类型毫米波雷达的高效检测和精确定位。低成本:使用普通商用雷达替代昂贵的频谱分析仪。高精度:在20米范围内实现近100%的检测率和亚米级的定位精度。适应性强:能够应对各种复杂环境和多设备场景。易于使用:无需硬件修改,可直接部署在现有商用雷达上。

本文提出了一种简单、有效和不可感知的3D后门攻击方法iBA，利用基于折叠的生成模型。设计的触发器平滑模块允许可控的攻击强度，增强了iBA的多样性。作者评估了iBA对各种防御方法的抵抗能力，讨论了多个变体的性能，分析了触发器模式，提供了潜在的对策，并探讨了物理部署的可行性。

本研究提出了一种针对基于深度学习的WiFi感知系统的物理、不可察觉和通用的对抗攻击。通过篡改发送的WiFi数据包中的导频符号，攻击者可以在不中断正常通信的情况下秘密操纵深度学习模型的预测。研究通过严格的理论分析量化了发射机端导频修改与接收机端CSI之间的乘性关系，并基于此设计了一种改进的Carlini & Wagner攻击方案，将对抗导频符号优化为CSI的乘性因子，实现了无目标和有目标攻击。此外，研究开发了一种基于惩罚的通用训练方法，优化了与用户活动和身份无关的鲁棒导频符号。

这项研究揭示了一种新型的远程语音窃听攻击方法，利用毫米波信号感知室内物体表面的微小振动来推断语音内容。通过创新的相控阵MIMO雷达系统和深度学习框架，研究团队成功实现了远程、长距离、甚至穿墙的语音窃听。证明了基于毫米波的远程语音窃听攻击的可行性。开发了高分辨率的软件定义毫米波感知方案。设计了一套完整的攻击系统，包括信号处理、特征提取和深度学习技术。通过广泛的实验验证了攻击的有效性。讨论了可能的防御方法。

本研究通过提出锥体攻击方法,深入揭示了当前相机-LiDAR融合感知系统在面对黑盒攻击时的脆弱性。研究结果表明,即使是最先进的融合算法,也容易受到精心设计的攻击。这一发现对自动驾驶汽车的安全性研究具有重要意义,提醒需要开发更加鲁棒和安全的感知系统。

SpiralSpy的提出为隐蔽信道攻击研究开辟了一个全新的方向。通过巧妙地结合毫米波感应技术和计算设备散热风扇,研究团队实现了一种远距离高隐蔽性高速率的隐蔽信道攻击方法。这种方法不仅突破了现有攻击方法的距离限制,还具有穿墙能力和多通道优化,大大提高了攻击的实用性。SpiralSpy的成功充分说明,即使是被认为高度安全的气隙计算设备,也可能存在意想不到的安全漏洞。这提醒我们需要不断更新和完善安全防御策略,以应对不断演化的攻击手段。

本文提出的Radar Fields方法为雷达数据的神经场景重建开辟了新的方向。通过直接在频域学习场景表示，结合物理驱动的传感器模型和隐式神经几何及反射模型，Radar Fields成功地从2D雷达扫描中重建了高质量的3D场景。密集重建：能够提供比传统方法更密集、更详细的场景信息。3D能力：尽管输入是2D雷达扫描，但能够重建3D场景。恶劣天气适应性：在雾天等条件下表现优异，优于基于LiDAR和相机的方法。新视角合成：能够在新视角合成高质量的原始雷达返回。

本文提出的RF-Diffusion为无线信号生成开辟了新的研究方向。通过创新性地将扩散模型应用于RF领域，并提出时频扩散理论和分层扩散变换器，RF-Diffusion实现了高质量、多样化的无线信号生成。实验结果表明，RF-Diffusion不仅在信号生成质量上优于现有方法，还能显著提升下游任务的性能。这项工作为AIGC在无线通信和感知领域的应用提供了新的思路和工具，有望推动该领域的进一步发展。

更高的精度: BR的RMSE在1 bpm以内,HR的RMSE在1.5 bpm以内,优于传统DFT方法和其他先进方法(如ANLS和mmRH)。更强的鲁棒性: 能够在存在呼吸干扰和小幅随机身体运动的情况下保持高精度估计。更好的一致性: Bland-Altman分析显示,该方法与参考设备有很高的一致性,无显著系统偏差。更广的适用性: 实验验证了该方法在不同距离、不同姿势(如躺卧、打字等)下的有效性。

本文介绍的mmBox系统代表了毫米波技术在物体检测领域的重要进展。通过巧妙的系统设计和先进的深度学习算法，mmBox成功地解决了传统检测方法在恶劣天气条件下的局限性。创新的热图生成方法：通过生成静态和动态RAMap以及EAMap，有效捕获了环境中的丰富信息。多尺度边界框生成器：设计了一个能够有效融合多种热图特征的深度学习模型，实现了高精度的物体检测。全天候性能：在模拟的浓雾环境中仍保持高检测精度，证明了系统在恶劣天气条件下的鲁棒性。低延迟：深度学习模型的处理时间仅为27.2ms，为实时应用提供了可能。

2×Track是一种创新的基于声学的6D姿态追踪系统,它巧妙地解决了多发射器干扰和多径信号分离的难题。通过精心设计的带复用信号模型,2×Track成功将可用带宽翻倍,大幅提升了追踪精度。此外,一系列创新技术的应用,如多分辨率分析和轻量级初始化方案,进一步增强了系统性能。2×Track不仅在理论上取得了突破,在实际应用中也展现出巨大潜力。它为将声学6DoF追踪集成到商用音频系统迈出了关键一步,为VR/AR智能人机交互等领域提供了一种低成本、高精度的解决方案。

这篇论文提出的基于隐式神经表示的电磁反散射问题解决方案，无疑是该领域的一个重大突破。创新的问题解决思路：通过将EISP转化为一个前向优化问题，巧妙地规避了反问题的复杂性和非线性挑战。这种思路的转变为解决其他类似的反问题提供了新的启发。隐式神经表示的引入：将INR应用于EISP是一个富有洞察力的创新。这不仅解决了离散化带来的分辨率损失问题，还为处理稀疏测量数据提供了有力工具。双MLP策略：使用两个独立的MLP分别表示相对介电常数和感应电流，这种设计巧妙地避免了复杂的矩阵求逆操作，大大提高了计算效率。

本文提出的RMAP算法为单比特SAR成像领域带来了新的突破。它巧妙地结合了最大后验概率估计凸优化和自适应梯度下降等技术，成功解决了传统算法在低SNR和连续目标重建方面的局限性。凸目标函数：通过引入高斯熵和边界优化方法，将非凸问题转化为凸问题，为优化过程提供了理论保证。自适应优化：采用AGD方法，实现了算法参数的自适应调整，提高了算法的鲁棒性和收敛速度。稳定性增强：提出了一个关键的近似方法，有效解决了涉及正态分布CDF和PDF比值的数值稳定性问题。优秀的实验性能。

AUTOMS代表了毫米波网络覆盖优化的一个重大突破。它巧妙地结合了自动化优化快速信道模拟和低成本超表面设计，为毫米波通信面临的覆盖挑战提供了一个创新且实用的解决方案。自动化服务框架：AUTOMS是首个利用超表面辅助毫米波网络部署的自动化服务框架。它极大地简化了网络规划和部署过程，使得非专业人员也能轻松实现高效的毫米波覆盖。高效3D射线追踪模拟器：开发了一个能够快速准确模拟大规模超表面信道的模拟器。这不仅加速了优化过程，也为未来的相关研究提供了有力工具。创新的低成本超表面设计。

mmMIC系统的提出无疑为语音识别技术开辟了一个全新的方向。它巧妙地利用了毫米波技术，同时捕捉了唇部运动和声带振动这两种互补的模态信息，有效地解决了传统语音识别在多声源和噪声环境下的困境。创新的感知方法：利用单一毫米波通道同时感知宏观的唇部运动和微观的声带振动，避免了多传感器带来的同步和成本问题。高效的特征提取算法：提出了基于差分的动态干扰去除方法和基于交叉验证的说话活动检测方法，有效提高了特征提取的质量和效率。创新的多模态融合框架。

mRotate系统的提出和实现，为旋转机械的转速测量带来了一种全新的解决方案。它巧妙地利用了毫米波雷达技术的优势，克服了传统测速方法的诸多限制，实现了安全、精确、适应性强的非接触式转速测量。创新的测量原理：利用毫米波雷达的高频特性，实现了对旋转物体表面微小位移的敏感捕捉。先进的信号处理算法：通过巧妙的chirp分解和特征聚合机制，有效解决了信号混叠问题。智能的目标识别方法：利用旋转物体反射信号的周期性特征，准确识别出目标物体。灵活的测量策略。

这篇论文介绍的mmEavesdropper系统无疑是一项突破性的技术。它巧妙地将毫米波雷达技术与先进的信号处理算法相结合，开创了一种新的声音窃听方法。创新的窃听方法通过感知声音引起的微小振动，而不是直接捕获声波，实现了高质量的声音重建。这就像是通过观察水面的涟漪来推断石头的形状。多层次的信号增强目标聚焦的信号增强IQ校准的振动增强通道融合的语音增强这三层增强技术就像是给系统装配了精密的"听力辅助设备"。出色的性能。

本文如同一位"白帽黑客"，通过设计巧妙的对抗性攻击，揭示了毫米波HAR系统潜在的安全漏洞。首次系统地研究了针对毫米波HAR系统的目标对抗性攻击。提出了适用于不同数据表示（体素和热图）的通用攻击方法。设计了高效的通用扰动生成算法，提高了攻击的实用性。探索了黑盒攻击场景，提出了基于知识蒸馏和GAN的解决方案。通过大量实验验证了所提方法的有效性，平均攻击成功率超过90%。这项研究就像是为毫米波HAR系统打了一剂"疫苗"，通过揭示潜在的安全风险，为未来设计更加安全、鲁棒的系统指明了方向。

π-Jack攻击方法犹如自动驾驶领域的"大卫·科波菲尔"，通过巧妙的透视劫持技术，成功地"欺骗"了单目深度估计（MDE）系统的"眼睛"。这种攻击不需要复杂的数字操作，只需在现实世界中策略性地放置普通3D物体，就能显著影响MDE的深度感知能力。创新性：首次提出利用透视劫持进行物理世界MDE攻击。有效性：能够造成高达14.75米的平均深度误差。鲁棒性：在各种实际条件下（如不同物体尺寸、距离、角度、光照等）保持良好性能。隐蔽性：使用普通3D物体作为攻击载体，不易引起怀疑。泛化性。

本文提出了一种创新的SLAM方法，通过融合DVS相机和FMCW雷达，并利用SNN进行特征提取和处理，实现了一种生物启发的、能够在线学习的SLAM系统。该系统在复杂环境和强光照变化条件下表现出了优异的性能和鲁棒性。这项研究为多传感器融合SLAM和神经形态计算在机器人导航中的应用开辟了新的方向。它不仅展示了DVS和雷达这两种互补传感器的潜力，还证明了SNN在处理时空数据流方面的优势。

RadSimReal就像是一位才华横溢的魔术师，它成功地在合成世界和真实世界之间搭建了一座坚实的桥梁。通过巧妙地利用点扩散函数(PSF)，它不仅克服了传统物理仿真方法的局限性，还大大提高了仿真的效率。RadSimReal的成功，为雷达目标检测领域带来了一场革命。它让我们可以轻松地生成大量高质量的训练数据，而无需耗费巨大的人力和物力去收集和标注真实数据。这不仅加速了算法的开发和测试过程，还为探索各种极端情况和罕见场景提供了可能。

本文提出了一种新颖的端到端学习方法，用于从立体事件相机估计密集深度。事件时间聚合模块（E-TAM）：从时间特征中提取时间上下文。时间引导的空间上下文学习模块（T-SCLM）：利用时间上下文特征指导空间上下文学习。这两个模块的巧妙结合使得网络能够充分利用事件流中的时空信息，从而在立体深度估计任务中取得了显著的性能提升。创新的网络结构：提出了一种深度神经网络，能够充分提取事件流中的时空上下文特征，为基于事件的立体深度估计提供了新的思路。时间上下文的有效利用。

本文提出的EvTexture方法为视频超分辨率中的纹理恢复问题提供了一种创新的解决方案。通过巧妙地利用事件信号中的高频动态细节，EvTexture实现了对复杂纹理区域的有效恢复。首次将事件信号用于视频超分辨率的纹理增强。提出了双分支结构，分别处理运动学习和纹理增强。设计了迭代纹理增强模块，逐步提取和refinement纹理细节。在多个数据集上取得了显著的性能提升，特别是在富含纹理的场景中。EvTexture的成功不仅推动了视频超分辨率技术的发展，也为事件相机在计算机视觉中的应用开辟了新的方向。

DART技术犹如一把“雷达魔杖”，为我们揭示了雷达感知的新世界。它巧妙地结合了神经辐射场的隐式表示能力和雷达物理学的专业知识，创造出一种强大而灵活的雷达场景建模工具。DART不仅能够生成高质量的雷达图像，还为我们提供了一种新的断层成像方法，有望在自动驾驶、机器人导航、环境感知等领域带来革命性的突破。尽管DART仍有改进的空间，但它无疑为雷达技术的未来发展指明了方向。随着算法的不断优化和硬件的持续进步，我们有理由相信，DART及其衍生技术将在不久的将来彻底改变我们感知和理解世界的方式。

本文提出了一种结合LiDAR和4D雷达的三维目标检测框架，通过3D-LRF模块和WRGNet在不同天气条件下实现了鲁棒的三维目标检测。实验结果表明，我们的方法在K-Radar数据集上取得了最先进的性能，验证了我们提出的新方法的有效性。