摘要：单光子雪崩二极管(SPAD)的高时间分辨率特性、高精度特性为其开辟了广泛的应用空间，尤其是在对算法性能要求日益增长的计算机视觉、计算成像等领域。基于SPAD能对各种常见目标进行精确度较高的深度估计，但是，SPAD每次探测到光子后会进入一段无法探测的猝灭期。这导致环境中光子数量较多时，同个脉冲周期内更早到达SPAD的光子有更大概率被采集，使得最终形成的光子数量统计曲线明显向时间轴短的方向偏移，且偏移程度随着光子通量(即单位时间内探测光子数量)的增加而扩大。该现象被称为堆积效应(Pileup Effect)，其降低了深度估计算法的准确性。对于这一问题，首先搭建了用于采集SPAD光子数据的单光子探测系统，并在几种不同光子通量下采集了一个针对SPAD深度估计任务中堆积效应进行研究的目标深度数据集。在此基础上， 设计了一个将光子通量作为全局特征进行学习的深度估计网络，该网络融合了SPAD探测结果中的局部空间特征和全局光子通量特征，在几种存在堆积效应的光子通量下均取得了较高的深度估计性能。
文章目录
1 高光子通量深度估计算法
1.1 深度估计网络模型
1.2 局部特征提取模块
1.3 全局特征提取模块
1.4 特征融合上采样解码模块
2 实验
2.1 深度估计数据集
2.2 损失函数及模型训练参数细节
2.3 对比实验
2.4 消融实验
3 结束语
