单光子LiDAR最新进展：从SPAD传感器到深度学习重建

单光子LiDAR利用单光子雪崩二极管（SPAD）探测器的高灵敏度特性，能够在极低光照条件下实现远距离三维成像。与传统线性探测器不同，SPAD探测器可以响应单个光子，其时间分辨率可达皮秒量级，对应的深度分辨率约为毫米级。这一特性使其在自动驾驶、遥感测绘、水下成像以及非视域成像（NLOS）等领域具有广阔的应用前景。

然而，SPAD探测器也面临若干核心技术挑战：暗计数和后脉冲效应引入非信号光子，降低信噪比；死时间导致光子探测效率饱和；在强环境光或高散射介质中，信号光子与背景光子难以区分。如何在高噪声、低信噪比条件下实现可靠的深度估计，是当前单光子成像研究的核心问题。

SPAD探测器的统计行为由非齐次泊松过程描述。在单次曝光周期内，SPAD在每个时间仓探测到光子的概率不仅取决于入射光子通量，还受到死时间效应的调制——一旦SPAD触发雪崩，其后一段固定时间内无法响应新的光子，导致光子到达时间直方图出现系统性畸变（Pile-up效应）。

传统方法直接从光子计数直方图中取峰值位置作为深度估计（Argmax方法），在每像素仅有1–10个信号光子的极端条件下性能急剧退化。近年来，基于概率生成模型的方法成为主流。

Shin等人（2016）将深度估计建模为贝叶斯推断问题：似然函数采用考虑死时间效应的非齐次泊松分布，先验分布建模深度图的空间相关性（如TV或Graph Laplacian正则化）。后验求解通过期望最大化（EM）或MCMC采样实现。Lindell等人（2018）进一步将SPAD的精确物理模型纳入框架，提出了逐像素自适应采样策略，将总采集时间缩短至传统方法的1/10。

单光子成像的核心指标之一是每像素光子数（PPP）。在远距离或散射场景中，返回信号光子数极其有限（PPP < 1），最大化信息利用率成为关键问题。

自2019年起，深度学习在单光子成像中发展迅速。早期工作将网络作为后处理模块去噪超分辨；近期工作倾向于端到端设计——网络输入原始直方图，输出深度图与反射率图，隐式学习SPAD物理模型。

将单光子LiDAR迁移至水下场景面临独特挑战。水体中光的吸收和散射导致信号光子数急剧衰减，在浑浊水体中消光系数可达1–5 m⁻¹，意味着每米衰减 60%–99% 的信号强度。散射光子引入的前向和后向噪声进一步降低信噪比。

这一交叉方向——水下单光子计算成像——目前仍处于起步阶段，具有重要的科学价值和广阔的应用空间，也是我们课题组未来的重点探索方向之一。