单光子深度估计网络

低信背比仍精确

结合U-Net层次特征与Mamba序列建模，在低信背比条件下仍能恢复长程深度细节。

Yanyun, Pu · Chengyuan, Zhu · Gongxin, Yao · 潘宇 · Yang, Kaixiang · 杨秦敏

IEEE Transactions on Circuits and Systems II: Express Briefs 2025

技术优势

长程依赖建模更强

利用Mamba的序列建模能力，有效捕获深度图中的长程依赖，解决了传统CNN和ViT在低信背比下特征提取不足的问题。

保留空间细节

通过U-Net层次特征与跳连接，在不同尺度上保留空间细节，促进更丰富的特征学习，提升深度估计精度。

应用场景

• 单光子激光雷达：无需高信背比即可稳定输出深度，扩展单光子LiDAR在低光环境下的可用性。
• 无人机避障：在低信背比下恢复精细深度，帮助无人机在复杂光照或远距离场景中可靠避障。
• 医疗3D成像：提取细微深度线索，支持医疗3D成像对组织表面细节的高保真重建。
• 机器人深度感知：提升低信背比下的深度估计精度，增强机器人在弱光或远距离场景中的感知能力。