Este artículo propone un algoritmo de desenrollado profundo que utiliza redes neuronales profundas para abordar el problema de la generación de imágenes LiDAR de fotón único en entornos ruidosos con múltiples objetivos. Los métodos estadísticos existentes, si bien son altamente interpretables, presentan dificultades para procesar escenas complejas. Los métodos basados en aprendizaje profundo, si bien ofrecen excelente precisión y robustez, carecen de interpretabilidad o se limitan a procesar un solo pico por píxel. En este estudio, proponemos un algoritmo de desenrollado profundo que extrae características de nubes de puntos mediante la introducción de un modelo bayesiano jerárquico y una representación de mapa de profundidad dual, utilizando aprendizaje profundo geométrico. Este algoritmo combina las ventajas de los métodos estadísticos y basados en aprendizaje para lograr precisión y cuantificación de la incertidumbre. Los resultados experimentales con datos sintéticos y del mundo real demuestran un rendimiento competitivo en comparación con los métodos existentes, incluso proporcionando información sobre la incertidumbre.
