Cet article propose un algorithme de déroulement profond utilisant des réseaux de neurones profonds pour résoudre le problème de l'imagerie LiDAR monophotonique dans des environnements bruyants avec des cibles multiples. Les méthodes statistiques existantes, bien que très interprétables, peinent à traiter des scènes complexes. Les méthodes basées sur l'apprentissage profond, bien qu'offrant une excellente précision et une grande robustesse, manquent d'interprétabilité ou se limitent au traitement d'un seul pic par pixel. Dans cette étude, nous proposons un algorithme de déroulement profond qui extrait des caractéristiques de nuages de points en introduisant un modèle bayésien hiérarchique et une représentation cartographique à double profondeur, utilisant l'apprentissage profond géométrique. Cet algorithme combine les avantages des méthodes statistiques et basées sur l'apprentissage pour atteindre à la fois la précision et la quantification de l'incertitude. Les résultats expérimentaux sur des données synthétiques et réelles démontrent des performances compétitives par rapport aux méthodes existantes, fournissant même des informations sur l'incertitude.
