单光子成像技术凭借其超高灵敏度和时空分辨能力，正在量子光学、生命科学和自动驾驶等领域引发技术变革。这项基于飞行时间原理的主动探测技术，通过单光子雪崩二极管与时间相关单光子计数系统的协同工作，能够在单个光子条件下实现亚厘米级精度的三维重建。相较于传统成像系统，该技术不仅具备更强的环境适应性，还能在低信噪比甚至非视距条件下保持稳定性能。
在远距离探测领域，单光子成像技术已实现从10公里到201.5公里的突破性进展。2014年，研究人员利用首个检测到的光子进行图像重建，在800米距离上成功验证了千米级探测的可行性。实验中，钟楼顶部可见光图像与单光子重建图像形成鲜明对比，证明了该技术在极端低光子条件下的三维重建能力。对于水下等高散射环境，研究人员通过时间门控检测与窄光学视场技术的结合，实现了亚毫米级深度分辨力和约60微弧度的角分辨力，有效抑制了背向反射干扰。
非视域成像作为该技术的重要应用方向，正逐步突破传统成像的物理限制。研究团队利用中介面上的照射点与接收点构建重建椭球，通过光子飞行距离约束实现隐藏物体的高精度重建。针对多次漫反射导致的信号衰减问题，超快光场层析成像技术通过多椭球约束关系，显著提升了实验室场景下的重建质量。这种技术革新为反恐侦察、灾害救援等特殊场景提供了全新的探测手段。
在硬件系统发展方面，多像素单光子成像技术通过探测器阵列的二维布局设计，实现了成像效率的质的飞跃。基于列的时间数字转换器共享方案，有效解决了大规模阵列的电路集成难题。这种设计使系统能够像传统CCD和CMOS传感器一样，实现多个像素信息的一次性采集，大幅提升成像速度和空间分辨率。半导体工艺的进步更推动探测器向高灵敏度、低噪声方向发展，为高速动态场景成像奠定了硬件基础。
算法层面的创新同样推动着技术进步。传统算法围绕稀疏回波、强噪声及多峰信号三种场景展开深度优化。2016年，研究人员将三维数据重建转化为优化问题，通过贝叶斯模型和马尔可夫链蒙特卡罗方法，实现了平均每像素光子数小于1的高精度重建。在强噪声环境下，自适应光子计数重建算法通过直方图增强和时间维度聚合，有效分离了噪声与回波区域。而基于交替方向乘子法的优化算法，则通过处理多峰信号特性，提升了复杂场景下的重建质量。
深度学习算法的引入为单光子成像带来新的突破。2018年，基于3D卷积和反卷积的重建网络，通过处理单光子直方图实现了高信噪比深度成像。后续研究通过引入单目特征、非局部神经网络和物理信息约束，显著提升了复杂场景下的重建精度和实时性。特别是多阶段协同恢复网络，在不同信号背景比条件下均表现出强鲁棒性，为实时动态成像提供了算法支撑。这些创新使系统能够在极端条件下（如每像素1光子、信噪比0.01）实现高质量重建。
