Joint Depth and Reflectivity Estimation using Single-Photon LiDAR

单光子激光雷达（SP-LiDAR）正成为长距离、高精度3D视觉任务的领先技术。在SP-LiDAR中，时间戳编码了两部分互补的信息：脉冲传播时间（深度）和物体反射的光子数量（反射率）。现有的SP-LiDAR重建方法通常分别或依次使用一种模态来估计另一种模态的深度和反射率。此外，传统的3D直方图构建方法主要对慢速移动或静止场景有效。然而，在动态场景中，直接处理时间戳更为高效和有效。在本文中，我们提出了一种估计方法，可以在快速移动场景中同时恢复深度和反射率。我们的贡献包括以下两点：（1）理论分析展示了深度与反射率之间的相互关联性，以及联合估计变得有益的条件。（2）一种新的重建方法“SPLiDER”，该方法利用共享信息来增强信号恢复效果。在合成数据和真实SP-LiDAR数据上，我们的方法优于现有方法，实现了更优的联合重建质量。

论文试图解决在快速移动场景中单光子激光雷达（SP-LiDAR）数据的深度和反射率联合重建问题。传统方法通常分别或顺序处理深度和反射率，且对动态场景的支持不足。这是一个新问题，因为现有方法主要针对静态或慢速移动场景优化。

论文提出了一种名为SPLiDER的新方法，通过理论分析证明了深度和反射率之间的相互关联性，并利用这种共享信息实现两者的同时估计。相比现有方法，该方法直接处理时间戳数据而非依赖传统的3D直方图构造，从而更高效地应对动态场景。

论文通过理论推导明确了深度与反射率的相关条件，为联合估计提供了理论依据。实验部分包括合成数据和真实SP-LiDAR数据测试，结果表明SPLiDER在动态场景中的性能优于现有方法。此外，论文未提及代码开源情况，但其提出的理论框架和方法值得进一步研究以扩展到更复杂的场景。

近期相关研究包括：1) “Photon-efficient deep learning for single-photon lidar imaging” 提出了一种基于深度学习的高效光子利用率方法；2) “Dynamic scene reconstruction with SPAD sensors” 针对SPAD传感器的动态场景重建进行了探索；3) “Joint depth and reflectivity estimation from time-of-flight data” 研究了飞行时间数据的联合估计问题。这些研究共同推动了动态场景下高精度3D成像技术的发展。