综述：基于稀疏单光子数据的三维图像重建算法发展综述

这篇综述系统梳理了单光子激光雷达（SP-LiDAR）技术在弱信号成像中的突破性进展，重点探讨了正则化优化算法、贝叶斯概率模型和深度学习架构在解决稀疏光子（<102 光子/像素）成像挑战中的应用。文章强调该技术通过皮秒级时间分辨率和单光子灵敏度，实现了1.5公里远距6厘米分辨率成像（如MIT团队FPI算法），为自动驾驶导航和大气探测提供了低成本、高精度的解决方案。

　　

单光子激光雷达：从原理到算法的三维成像革命

Abstract
单光子激光雷达（SP-LiDAR）凭借单光子灵敏度和皮秒级时间分辨率，通过累积多次光子计数构建直方图，实现了弱信号条件下的目标信息提取。该技术在精确测绘和自动驾驶导航中展现出显著优势，而其核心在于图像重建算法——以低成本、低技术复杂度和高质量重建能力，成为研究焦点。

Introduction
与传统线性LiDAR相比，SP-LiDAR的独特之处在于利用单光子雪崩二极管（SPAD）的二进制信号特性，通过光子计数直方图重构目标强度。然而，SPAD无法区分信号与噪声（如暗计数、热噪声），导致高误报率。MIT团队2014年提出的首光子成像（FPI）技术，仅需单个光子即可完成3D成像，开启了计算成像新纪元。

Principles of single photon LiDAR
SP-LiDAR的核心组件SPAD将光脉冲转换为二进制电信号，通过飞行时间（ToF）系统获取激光往返时间差。其性能受限于传输介质衰减（距离四次方衰减律）和背景噪声，需积累约10²
光子/像素才能可靠估计深度。

Developments of image reconstruction algorithms
针对稀疏光子与强噪声的挑战，研究者提出三类解决方案：

1. 正则化优化：如全变分（TV）算法，通过约束图像梯度稀疏性抑制噪声；
2. 贝叶斯模型：基于泊松统计建模光子分布，优化后验概率；
3. 深度学习：利用卷积神经网络（CNN）直接从稀疏数据预测深度/强度图。香港团队2024年结合算法改进，在1.5公里距离实现6厘米分辨率成像。

Conclusions and outlook
未来方向将聚焦动态目标实时检测与极端环境适应性，深度学习与物理模型的融合是突破关键。硬件性能提升（如SPAD阵列像素增加）与算法创新协同，将进一步推动SP-LiDAR在生命科学（如生物组织成像）和健康医学（如微创手术导航）中的应用边界。