[论文解读] Lidar waveform based analysis of depth images constructed using sparse single-photon data

Yoann Altmann, Ximing Ren+3 more|arXiv (Cornell University)|Jul 9, 2015

Advanced Optical Sensing Technologies参考文献 28被引用 139

一句话总结

该论文提出了一种分层贝叶斯模型，结合自适应马尔可夫链蒙特卡洛（MCMC）推理方法，用于在光子计数极低的情况下，从稀疏单光子激光雷达波形中进行深度和强度剖面重建。通过使用伽马马尔可夫随机场（MRFs）对目标强度和深度的空间相关性进行建模，并利用最大边缘似然法通过随机优化自适应调整MRF参数，该方法实现了鲁棒估计——即使在空像素中也表现优异，在低光子通量条件下的深度和强度均方误差（MSE）方面优于经典方法。

ABSTRACT

This paper presents a new Bayesian model and algorithm used for depth and intensity profiling using full waveforms from the time-correlated single photon counting (TCSPC) measurement in the limit of very low photon counts. The model proposed represents each Lidar waveform as a combination of a known impulse response, weighted by the target intensity, and an unknown constant background, corrupted by Poisson noise. Prior knowledge about the problem is embedded in a hierarchical model that describes the dependence structure between the model parameters and their constraints. In particular, a gamma Markov random field (MRF) is used to model the joint distribution of the target intensity, and a second MRF is used to model the distribution of the target depth, which are both expected to exhibit significant spatial correlations. An adaptive Markov chain Monte Carlo algorithm is then proposed to compute the Bayesian estimates of interest and perform Bayesian inference. This algorithm is equipped with a stochastic optimization adaptation mechanism that automatically adjusts the parameters of the MRFs by maximum marginal likelihood estimation. Finally, the benefits of the proposed methodology are demonstrated through a serie of experiments using real data.

研究动机与目标

• 解决在飞行时间激光雷达中光子计数极低时，准确估计深度和强度的挑战。
• 克服经典方法在稀疏光子探测条件下（尤其是空像素或高背景噪声情况下）的局限性。
• 通过分层先验分布引入相邻像素间的空间相关性，以提升估计的稳定性和准确性。
• 通过自适应MCMC与最大边缘似然估计相结合，消除正则化参数选择中对交叉验证的依赖。
• 在单一统一的贝叶斯框架内，实现目标深度、强度和背景水平的联合估计。

提出的方法

• 将每个激光雷达波形建模为已知脉冲响应（按目标强度加权）与恒定背景水平之和，服从泊松分布。
• 使用伽马马尔可夫随机场（MRFs）对目标强度和深度中的空间相关性进行编码，强制相邻像素间保持平滑性。
• 构建具有共轭先验的分层贝叶斯模型，以嵌入先验知识，并对强度和背景施加正值约束。
• 开发一种自适应随机梯度MCMC（SGMCMC）算法，联合从目标参数的后验分布中进行采样，并通过最大边缘似然法调节MRF超参数。
• 通过似然函数的多项式展开，推导出强度的混合伽马后验条件分布，从而实现高效的MCMC采样。
• 采用随机优化实现参数的自动调节，避免对正则化强度的人工调参。

实验结果

研究问题

• RQ1 能否有效利用相邻像素间的空间相关性，以提升超低光子计数激光雷达中的深度和强度估计性能？
• RQ2 在稀疏光子探测条件下，所提出的自适应MCMC算法在深度和强度的均方误差（MSE）方面与经典方法相比表现如何？
• RQ3 该方法在检测到零个光子的像素中，参数估计的可靠性能达到何种程度？
• RQ4 通过最大边缘似然法实现的自动参数调节，是否在低光子条件下优于基于交叉验证的正则化方法？
• RQ5 背景水平和信噪比在真实数据中如何影响所提出的贝叶斯模型的性能？

主要发现

• 所提方法在深度和强度MSE方面显著优于标准方法，尤其在采集时间缩短、光子计数下降时表现更优。
• MSE的累积分布函数（CDF）显示，由于空间正则化的作用，该方法能更一致地处理更多像素，包括零光子像素。
• 该方法通过利用空间相关性，成功估计了空像素中的参数，其CDF受可处理像素比例的上界限制。
• 自适应MCMC算法通过最大边缘似然法自动调节MRF参数，消除了对交叉验证的依赖，提升了鲁棒性。
• 在低光子通量条件下，性能提升最为显著，此时经典方法因噪声和空像素而失效，而贝叶斯模型仍保持稳定。
• 尽管由于MCMC采样导致计算成本较高，但在光子计数较低时，该方法提供了更优越的估计精度，因此该权衡是合理的。