2、单光子直接飞行时间成像的机器学习方法

单光子直接飞行时间成像的机器学习方法

1. 引言

LiDAR传感器在3D成像或接近感应应用中越来越广泛，如自主导航或机器视觉。它主要采用间接飞行时间（iToF）和直接飞行时间（dToF）两种方法来估计距离。iToF不直接测量发射和接收脉冲之间的时间，而是通过在与发射信号同步的特定时间窗口内积分接收信号来测量信号延迟；dToF则直接测量激光发射到检测到反向散射光子的时间，通常使用时间数字转换器（TDC）进行计时，距离计算公式为 $d = \frac{ct_m}{2}$ ，其中 $t_m$ 是传感器测量的时间，$c$ 是光速。

单光子雪崩二极管（SPAD）在3D深度成像传感器中应用越来越多，它具有高光子灵敏度、低定时抖动和快速响应时间等优点。SPAD工作在盖革模式下，一个光子击中SPAD可触发雪崩电流，其光子检测概率（PDP）取决于光的波长。检测到光子后，SPAD需要重置状态，有被动淬灭和主动淬灭两种电路，主动淬灭可减少雪崩电流淬灭时间，添加主动充电可进一步减少死区时间。

SPAD也受后脉冲和暗计数率（DCR）两种噪声影响，且SPAD像素需要额外电路，导致传感器填充因子（FF）较低。为提高FF和减少死区时间，多个SPAD可组合成宏像素。SPAD传感器会产生大量数据，数据读出是瓶颈，常见的数据压缩方法是片上逐像素直方图统计，利用3D堆叠技术将SPAD和CMOS电路集成在同一硅片上。但在高光子通量下会出现光子堆积，低光子率下会出现TDC堆积，可使用多事件TDC解决。完成的直方图会被读出并使用峰值检测算法提取检测到的表面深度。

近年来，一些步骤开始被神经网络实现所取代，深度估计算法和点云生成步骤可被深度神经网络替代，提高延迟并降低功耗，甚至直方图统计也可被合适的神经网络