低照度条件下可视化物体在各个领域中都有重要应用,包括量子成像,天文学,生物荧光探测和医学成像等领域。当光通量减小到极低水平时,探测器检测到的信号是一个个离散的光子点,我们把这种图像叫做光子计数图像,光子计数图像主要是泊松噪声。为了抑制光学检测过程中固有的光子噪声,通常采取大量的光子检测,商业上使用的成像探测器往往需要收集10~9个光子才能保证高质量成像,但是在实际情况往往无法做到,很难利用少量检测到的光子来精确恢复场景信息。本文针对低光照的情况,分别提出基于压缩感知的方法和基于深度学习的方法来解决光子计数成像问题。本文采用一种基于压缩感知的光子计数成像方法,将采集到个光子序列利用压缩感知恢复算法进行优化重建出高质量的光子计数图像。相比原有方法,可获得信噪比更高的光子计数图像。集成成像目前作为一种热门的三维立体成像技术相比其他三维成像方法具有更大的优势。例如,包含全视差,拥有连续视角信息,成像设备简单,在观感上相对其它三维成像方法不容易产生视觉上的疲劳。本文利用集成成像的手段可进一步提高光子计数图像的三维视觉品质。实验结果表明本文提出的方法能有效的解决极弱光环境下光子计数图像成像问题。随着深度学习理论的研究越来越成熟,很多图像处理领域上的问题都可以通过深度学习的方法有效的解决,例如超分辨率图像,去马赛克,去噪,目标识别等问题。这种通过数据驱动的方法可以充分学习已损坏的观察样本映射成理想的结果。本文引入卷积神经网络用于光子计数图像的成像,介绍了上/下投影块和选择记忆模块来对视觉结构和视觉特征进行自我校正重建,设计了一种由上述两种模块在类似U-Net架构解码阶段所组成的生成对抗网络。通过精心设计学习管道和引入光子计数图像数据集,训练的网络模型能很好的可视化由泊松噪声主导的光子计数图像。此外,本文还对比了现有的其他方法并在不同数据库上进行测试。实验结果证明提出的方法优于目前的方法。本文提出的两种方案都是在单帧图像层面上进行优化,不需要额外提供精密设备,就能有效的解决低照度下光子计数图像的成像问题。