激光雷达系统采用主动照明的方式，激光发射脉冲周期信号至目标场景，激光脉冲经目标表面漫反射，由单光子雪崩二极管（Single-Photon Avalanche Diode, SPAD）探测器记录回波光子的到达时间，获得场景的深度信息。然而在探测过程中，测量结果往往会遭到环境光的干扰。传感器融合是进行单光子成像的有效方法之一。最近提出的基于LiDAR和强度相机融合的数据驱动方法大多采用扫描式激光雷达，深度获取速度慢。SPAD阵列的出现打破了帧率的限制。SPAD阵列允许同时收集多个回波光子，加速了信息采集，但分辨率较低，在探测过程中还会受到环境光的干扰，因此需要通过算法打破SPAD阵列的固有限制，从噪声中分离深度信息。针对分辨率为32×32 pixel的SPAD阵列探测器，提出了一种卷积神经网络结构，旨在强度图的引导下，将低分辨率TCSPC直方图映射至高分辨率深度图。该网络采用多尺度方法提取输入特征，并基于注意力模型融合深度数据和强度数据。另外，设计了一个损失函数组合，适用于处理TCSPC直方图数据的网络。在采集数据上进行了验证，提出方法能成功将深度数据的空间分辨率提升4倍，并在质量和数据指标上都优于其他算法。

单光子激光雷达广泛应用于获得三维场景的深度和强度信息。对于多表面目标，如激光经过半透明表面上时，一个像素上探测到的回波信号可能包含多个峰。传统方法在低光子或相对较高的背景噪声水平下无法准确估计多深度图像。因此，提出了一种单光子激光雷达时间相关多深度估计方法。该方法利用信号响应的时间相关性，对点云数据进行多深度快速去噪，能够从背景噪声中识别每个像素上来自多个表面的信号响应。并基于该信号响应集合的泊松分布模型，通过全变分正则化引入像素之间的空间相关性，建立多深度估计成本函数。使用快速收敛的交替方向乘子算法从成本函数中估计深度图像。实验结果表明，所提方法在距离约为1 km处的多深度目标上，相较于常规方法估计深度图像的均方根误差减少了至少27.05%，信号重建误差比提高了至少18.39%，同时数据量减少至原来的4%。证明该方法能够以更小的内存需求和计算复杂度提高单光子激光雷达的多深度图像估计性能。

In this Letter, free-space optical (FSO) communication using patterned modulation and bucket detection is introduced to improve the bit error rate (BER) performance in complex and noisy environments. The scattered light is averaged in this communication structure. Second-order correlation, wavelet normalization, and compressed sensing are combined in the reconstruction algorithm. A signal with N bits is reconstructed well from much less than N measurements. Numerical simulations and experiments are performed without the narrowband optical filters used in traditional FSO communication. It can also be employed in real networks where secure communication is required. This provides the great opportunity to pave the way for real applications of FSO communication.