美國麻省理工學院（MIT）媒體實驗室的研究人員已經開發了一種新的成像系統：使用PF32 SPAD陣列+TDC 單光子計數相機和新的算法，測量被霧遮擋物體的距離。在實驗中，該系統的表現比人類的視覺（因人的視線很難看穿霧氣）更好，這對于自動駕駛來說是一個巨大的突破。

透過霧成像，在自動駕駛汽車、增強駕駛、飛機、直升機、無人駕駛飛機和火車等行業中具有重要應用價值和意義。透過霧成像和被霧遮擋對象反射光信號的分布（高斯）相比，透過霧成像討論的是從霧反射光信號的時間分布（Gamma）。這有助于區分從霧反射的背景光信號和從被遮擋物體反射的信號光子。基于這一觀察，我們恢復了被密集、動態和異質霧阻擋的場景的反射率和深度。對于實際使用情況，成像系統采用基于LIDAR硬件，占地面積最小的光學反射模式設計。具體來說，使用單光子計數相機，對檢測到的單個光子進行時間標記。讓開發概率計算框架以在沒有先驗知識的情況下從測量本身估計霧特性。同時，基于雷達的解決方案具有較差的分辨率（由于長波長），或者具有低信噪比的時間門控。

麻省理工學院（MIT）媒體實驗室在使用PF32 SPAD陣列+TDC 單光子計數相機的時間相關數據預測目標形狀

圖（b）中的分類顯示其預測準確度> 70％

通過散射成像的傳統技術解決了反問題，并且受到使用多個校準參數（例如相機視場，照明位置等）調諧正向模型的需要的限制。下面重點介紹成像技術，比如在識別并分類隱藏在散射介質后面的物體，而且不隨模型訓練范圍內校準參數的變化而變化。在使用數據驅動方法，并利用卷積神經網絡（CNN）來研究校準參數在訓練范圍內變化并且幾乎不變的模型時，而不是調整正演模型并直接反演光學散射。而在對校準不敏感的散射條件下，大大的提高了成像的穩定性。

據悉，CNN通過蒙特卡羅（MC）模型生成的大型合成數據集進行訓練時，該模型包含主要校準參數的隨機實現，并在使用單光子計數相機進行評估后，對隱藏在紙張后面的人體模型的姿勢進行了預測，其中在三個姿勢中的30個測試中有23個分類正確（實際測量值準確度為76.6％） 。而這種方法恰恰為實時非視距（NLOS）成像實際應用鋪平了道路。

應用場景

• 在充滿挑戰的天氣中進行自主駕駛或輔助駕駛

• 飛機和直升機在濃霧環境中起飛、著陸和低空飛行

• 列車在惡劣天氣條件下以正常速度行駛

PF32 SPAD陣列+TDC 單光子計數相機是武漢東隆科技有限公司中國區總代理，它是一款32*32面陣SPAD探測器，區別于一般的SPAD面陣探測器，PF32 SPAD陣列+TDC 單光子計數相機的1024個單光子敏感SPAD像素陣列，都具有超快的55ps 時間分辨率TDC 電子元件，從而形成了一個并行的，功能強大，高度緊湊的系統。這種并行性讓生命科學、量子成像、激光雷達抑或是單光子成像領域的科研工作者，更加方便、簡單的獲取和驗證實驗結果。

參考文獻：

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

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