非视域（Non-Line-of-Sight, NLoS）成像是近年来发展起来的一项新兴技术，其通过分析成像场景中的中介面信息来重建隐藏场景，实现了“拐弯成像”的效果，在多个领域有巨大的应用价值。本文主要针对NLoS成像重建算法进行综述性研究。考虑到目前NLoS成像分类存在交叉和非独立现象，本文基于物理成像模式和算法模型的不同特点，对其进行了独立的重新分类。根据提出的分类标准分别对传统和基于深度学习的NLoS成像重建算法进行了归纳总结，对代表性算法的发展现状进行了概述，推导了典型方法的实现原理，并对比了传统重建方法和基于深度学习的NLoS成像重建算法的重建应用结果。总结了NLoS成像目前存在的挑战和未来的发展方向。该研究对不同类型的NLoS成像进行了较为全面的梳理，对NLoS成像重建算法在内的一系列研究的进一步发展有着一定的支撑和推动作用。

Non-line-of-sight (NLOS) imaging is an emerging technique for detecting objects behind obstacles or around corners. Recent studies on passive NLOS mainly focus on steady-state measurement and reconstruction methods, which show limitations in recognition of moving targets. To the best of our knowledge, we propose a novel event-based passive NLOS imaging method. We acquire asynchronous event-based data of the diffusion spot on the relay surface, which contains detailed dynamic information of the NLOS target, and efficiently ease the degradation caused by target movement. In addition, we demonstrate the event-based cues based on the derivation of an event-NLOS forward model. Furthermore, we propose the first event-based NLOS imaging data set, EM-NLOS, and the movement feature is extracted by time-surface representation. We compare the reconstructions through event-based data with frame-based data. The event-based method performs well on peak signal-to-noise ratio and learned perceptual image patch similarity, which is 20% and 10% better than the frame-based method.

非视域成像可对视域外场景进行重建成像。与传统成像不同，其将隐藏场景返回的间接信号导入重建算法实现目标场景重建，在**、生物医学、自动驾驶、航空航天及灾后搜救等领域具有重要的应用价值。总结近年来国内外对非视域成像技术的研究进展，依次介绍3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（含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。基于相干信息和强度信息成像模式的硬件参数、重建算法、重建时间和图像分辨率等的特点和存在的局限性，分析并讨论非视域成像的发展趋势。

针对非相干光照明下的非视域成像问题,提出一种基于深度学习的解决方法。结合计算机视觉领域中经典的语义分割及残差模型,构造一种URNet网络结构,并改进了经典瓶颈层结构。实验结果表明,改进的网络可以恢复更多的图像细节,并具有一定泛化性,相比于基于非相干光照明的散斑自相关成像技术,该网络恢复性能有较大提升。