Light detection and ranging (Lidar) single-photon devices capture range and intensity information from a three-dimensional (3-D) scene. This modality enables long range 3-D reconstruction with high range precision and low laser power. A multispectral single-photon Lidar system provides additional spectral diversity, allowing the discrimination of different materials. However, the main drawback of such systems can be the long acquisition time needed to collect enough photons in each spectral band. In this work, we tackle this problem in two ways: first, we propose a Bayesian 3-D reconstruction algorithm that is able to find multiple surfaces per pixel, using few photons, i.e., shorter acquisitions. In contrast to previous algorithms, the novel method processes jointly all the spectral bands, obtaining better reconstructions using less photon detections. The proposed model promotes spatial correlation between neighbouring points within a given surface using spatial point processes. Secondly, we account for different spatial and spectral subsampling schemes, which reduce the total number of measurements, without significant degradation of the reconstruction performance. In this way, the total acquisition time, memory requirements and computational time can be significantly reduced. The experiments performed using both synthetic and real single-photon Lidar data demonstrate the advantages of tailored sampling schemes over random alternatives. Furthermore, the proposed algorithm yields better estimates than other existing methods for multi-surface reconstruction using multispectral Lidar data.

中文翻译：

---

下采样多光谱单光子激光雷达信号的贝叶斯 3D 重建

光探测和测距 (Lidar) 单光子设备从三维 (3-D) 场景中捕获距离和强度信息。这种模式可以实现具有高范围精度和低激光功率的远程 3-D 重建。多光谱单光子激光雷达系统提供了额外的光谱多样性，可以区分不同的材料。然而，此类系统的主要缺点可能是在每个光谱带中收集足够的光子所需的采集时间很长。在这项工作中，我们通过两种方式解决这个问题：首先，我们提出了一种贝叶斯 3-D 重建算法，该算法能够使用很少的光子（即更短的采集）找到每个像素的多个表面。与以前的算法相比，新方法联合处理所有光谱带，使用更少的光子检测获得更好的重建。所提出的模型使用空间点过程促进给定表面内相邻点之间的空间相关性。其次，我们考虑了不同的空间和光谱二次采样方案，这减少了测量总数，而不会显着降低重建性能。通过这种方式，可以显着减少总采集时间、内存要求和计算时间。使用合成和真实单光子激光雷达数据进行的实验证明了定制采样方案相对于随机替代方案的优势。此外，所提出的算法比使用多光谱激光雷达数据进行多表面重建的其他现有方法产生更好的估计。所提出的模型使用空间点过程促进给定表面内相邻点之间的空间相关性。其次，我们考虑了不同的空间和光谱二次采样方案，这减少了测量总数，而不会显着降低重建性能。通过这种方式，可以显着减少总采集时间、内存要求和计算时间。使用合成和真实单光子激光雷达数据进行的实验证明了定制采样方案相对于随机替代方案的优势。此外，所提出的算法比使用多光谱激光雷达数据进行多表面重建的其他现有方法产生更好的估计。所提出的模型使用空间点过程促进给定表面内相邻点之间的空间相关性。其次，我们考虑了不同的空间和光谱二次采样方案，这减少了测量总数，而不会显着降低重建性能。通过这种方式，可以显着减少总采集时间、内存要求和计算时间。使用合成和真实单光子激光雷达数据进行的实验证明了定制采样方案相对于随机替代方案的优势。此外，所提出的算法比使用多光谱激光雷达数据进行多表面重建的其他现有方法产生更好的估计。我们考虑了不同的空间和光谱二次采样方案，这减少了测量的总数，而不会显着降低重建性能。通过这种方式，可以显着减少总采集时间、内存要求和计算时间。使用合成和真实单光子激光雷达数据进行的实验证明了定制采样方案相对于随机替代方案的优势。此外，所提出的算法比使用多光谱激光雷达数据进行多表面重建的其他现有方法产生更好的估计。我们考虑了不同的空间和光谱二次采样方案，这减少了测量的总数，而不会显着降低重建性能。通过这种方式，可以显着减少总采集时间、内存要求和计算时间。使用合成和真实单光子激光雷达数据进行的实验证明了定制采样方案相对于随机替代方案的优势。此外，所提出的算法比使用多光谱激光雷达数据进行多表面重建的其他现有方法产生更好的估计。内存需求和计算时间可以显着减少。使用合成和真实单光子激光雷达数据进行的实验证明了定制采样方案相对于随机替代方案的优势。此外，所提出的算法比使用多光谱激光雷达数据进行多表面重建的其他现有方法产生更好的估计。内存需求和计算时间可以显着减少。使用合成和真实单光子激光雷达数据进行的实验证明了定制采样方案相对于随机替代方案的优势。此外，所提出的算法比使用多光谱激光雷达数据进行多表面重建的其他现有方法产生更好的估计。