美国麻省理工学院（MIT）媒体实验室的研究人员已经开发了一种新的成像系统：使用PF32 SPAD阵列+TDC 单光子计数相机和新的算法，测量被雾遮挡物体的距离。在实验中，该系统的表现比人类的视觉（因人的视线很难看穿雾气）更好，这对于自动驾驶来说是一个巨大的突破。

透过雾成像，在自动驾驶汽车、增强驾驶、飞机、直升机、无人驾驶飞机和火车等行业中具有重要应用价值和意义。透过雾成像和被雾遮挡对象反射光信号的分布（高斯）相比，透过雾成像讨论的是从雾反射光信号的时间分布（Gamma）。这有助于区分从雾反射的背景光信号和从被遮挡物体反射的信号光子。基于这一观察，我们恢复了被密集、动态和异质雾阻挡的场景的反射率和深度。对于实际使用情况，成像系统采用基于LIDAR硬件，占地面积最小的光学反射模式设计。具体来说，使用单光子计数相机，对检测到的单个光子进行时间标记。让开发概率计算框架以在没有先验知识的情况下从测量本身估计雾特性。同时，基于雷达的解决方案具有较差的分辨率（由于长波长），或者具有低信噪比的时间门控。

麻省理工学院（MIT）媒体实验室在使用PF32 SPAD阵列+TDC 单光子计数相机的时间相关数据预测目标形状

图（b）中的分类显示其预测准确度> 70％

通过散射成像的传统技术解决了反问题，并且受到使用多个校准参数（例如相机视场，照明位置等）调谐正向模型的需要的限制。下面重点介绍成像技术，比如在识别并分类隐藏在散射介质后面的物体，而且不随模型训练范围内校准参数的变化而变化。在使用数据驱动方法，并利用卷积神经网络（CNN）来研究校准参数在训练范围内变化并且几乎不变的模型时，而不是调整正演模型并直接反演光学散射。而在对校准不敏感的散射条件下，大大的提高了成像的稳定性。

据悉，CNN通过蒙特卡罗（MC）模型生成的大型合成数据集进行训练时，该模型包含主要校准参数的随机实现，并在使用单光子计数相机进行评估后，对隐藏在纸张后面的人体模型的姿势进行了预测，其中在三个姿势中的30个测试中有23个分类正确（实际测量值准确度为76.6％） 。而这种方法恰恰为实时非视距（NLOS）成像实际应用铺平了道路。

应用场景

• 在充满挑战的天气中进行自主驾驶或辅助驾驶

• 飞机和直升机在浓雾环境中起飞、着陆和低空飞行

• 列车在恶劣天气条件下以正常速度行驶

PF32 SPAD阵列+TDC 单光子计数相机是武汉东隆科技有限公司中国区总代理，它是一款32*32面阵SPAD探测器，区别于一般的SPAD面阵探测器，PF32 SPAD阵列+TDC 单光子计数相机的1024个单光子敏感SPAD像素阵列，都具有超快的55ps 时间分辨率TDC 电子元件，从而形成了一个并行的，功能强大，高度紧凑的系统。这种并行性让生命科学、量子成像、激光雷达抑或是单光子成像领域的科研工作者，更加方便、简单的获取和验证实验结果。

参考文献：

G. Satat et al.,"Object Classification through Scattering Media with Deep Learning on Time Resolved Measurement“

Optics Express Vol. 25, 17466-17479 (2017).