近日，南邮bw西汉姆联量子信息技术研究所王琴教授团队在单光子三维成像方面取得重要研究进展。团队提出了一种物理增强单光子三维成像的新方法，将物理模型与数据自适应特征学习相结合，提升了三维成像的鲁棒性与适应性。

　　单光子三维成像利用单光子探测器和时间相关单光子计数（TCSPC）技术记录光子到达时间，可在光子极度稀少的场景中恢复目标深度信息，已成为主动光学成像领域的前沿研究领域，在生物医学成像、自动驾驶、机器视觉等领域具有广阔的应用前景。目前，传统三维成像方法主要基于物理模型和人工先验，可解释性强，但在低光子数或强噪声环境下成像效果较差；深度学习方法凭借强大的特征学习能力在三维成像中表现出较高精度，但是对于训练集以及损失函数的选择比较敏感，在光子计数或信噪比变化时鲁棒性受限。

　　针对上述问题，团队提出了一种将物理成像规律和智能算法结合起来的单光子三维成像方法。该方法会先根据单光子成像的物理规律，对目标的大致深度做出初步判断，尽量滤除杂乱噪声，同时保留物体边缘；再重点关注光子最可能返回的时间范围，从中提取更可靠的信息；最后，算法把这些线索综合起来，逐步补充局部细节和整体形状，从而得到更清晰、更准确的三维深度图，主要流程如图1所示。

图1 物理增强单光子三维成像重建框架示意图

图2 双轴TCSPC单光子激光雷达实验系统结构示意图

图3不同方法在强背景干扰和低光子数条件下实验重建结果对比图

　　最后，团队使用三类不同数据对新方法进行了验证：计算机模拟数据、公开真实测量数据，以及团队自研单光子雷达实验系统采集的数据。结果显示，与现有其他方法相比，新方法在不同噪声条件下测得的深度误差更小，重建出的物体结构也更接近真实情况。团队还搭建了一套双轴单光子激光雷达实验系统，见图2，用脉冲激光扫描目标，并记录极少量光子返回的时间信息，获得原始直方图数据。实验结果表明，与已有方法在光子数量和噪声水平变化的情况下相比，新方法都能得到更清晰、更稳定的成像结果，部分成像结果对比如图3所示。

　　该工作表明，将光传播和成像的物理规律融入深度学习算法中，有助于提升单光子三维成像在低光子、强噪声和遮挡场景中的泛化能力与结构保真度。相比单纯依赖深度学习网络的方法，这一框架既保留了人工智能处理复杂数据的灵活性，又提升了模型的鲁棒性与适应性，也更容易解释成像过程，为复杂环境下的三维感知技术提供了一种新的研究思路。

　　该工作以“Physics enhanced singlephoton imaging based on deep learning”为题近期发表在光学领域国际知名期刊《Photonics Research》（DOI: https://doi.org/10.1364/PRJ.601600）上。南邮bw西汉姆联量子信息技术研究所的沈浩然硕士生和李剑老师为论文共同第一作者，王琴教授为通讯作者。

　　该工作受到量子科技创新计划和江苏省重点研发计划产业前瞻与关键核心技术项目资助，bw西汉姆联为该成果的第一完成单位和通讯单位。

（撰稿：沈浩然　编辑：吕瑞兰　审核：王琴、徐雷）