人工智能和机器学习算法是一门陈旧的帽子，它是在体系的中心(其间一些体系运用激光)在视线外发生图画的当地。可是，在没有特别设备的状况下重建躲藏目标更具应战性的使命呢?

麻省理工学院计算机科学与人工智能实验室的研讨人员说，他们正是以此为基础开发的。他们的体系(能够在本周发布的预印本中列出)能够从调查到的紊乱中的暗影和反射中重建躲藏的视频。即便在房间里翻开摄像机，也能够在角落处“看到”，即便这些角落(以及实景扮演)落在摄像机视界之外。

这是在2017年和2018年发布的开始作业的基础上进行的，该作业遭到场景中光量的约束，并因为照明条件的改变而跳闸。依据研讨团队的说法，该体系的当时迭代具有更广泛的通用性和更强壮的功用。

隐秘调味料是一种算法，能够猜测光在场景中的传达办法(这种现象称为光传输)。现实证明，一堆物体的行为就像针孔相机相同，它阻挡了某些光线，一起又答应其他光线经过，然后在光线照射到的任何当地制作了周围的图画。可是，虽然针孔照相机只能让许多光线穿过，以构成可读的图画，但一堆杂??乱的图画所发生的图画却被打乱了，无法辨认。

MIT CSAIL暗影

为了对图画进行解读，团队运用了与实在国际中实在的暗影和暗影相对应的形式，而且他们利用了AI算法天然更喜爱表达“相似图画”的内容这一现实，即便他们从未受过练习也是如此。 。为此，研讨人员的体系一起练习两个机器学习模型-一个发生加扰形式，另一个估量躲藏视频。当多种要素的组合再现了从紊乱中录制的视频时，两者会得到奖赏，然后唆使他们用合理的躲藏数据来解说调查成果。

为了测验他们的办法，研讨人员将物体堆放在一堵墙上，然后放映视频或物理移动到另一堵墙邻近。由此，他们能够重建视频，然后传达出对正在发生的躲藏运动的大致了解。

这绝不是完美的-重建进程大约需求两个小时才干发生-可是研讨人员以为，该体系有一天能够使“社会的许多方面”获益。例如，无人驾驶轿车能够更好地了解在角落里呈现的状况，而且查找救援机器人能够以更高的鲁棒性导航风险或障碍物区域。实际上，十月份，麻省理工学院的CSAIL研讨人员提出了一种称为ShadowCam的自动驾驶轿车体系，该体系运用相似的技能来检测和分类地面上的暗影。

MIT CSAIL暗影

“经过运用非视距成像设备(例如激光器)，您能够获得许多成果，可是在咱们的办法中，您只能运用天然抵达相机的光线，而且您测验充分利用稀缺的信息。 Nvidia研讨科学家兼这项新技能的首席研讨员Miika Aittala说。 “鉴于神经络的最新进展，这似乎是一个很好的机遇，能够处理在这个范畴曾经被以为是无法处理的一些应战。”