単一フレームの大気湍流緩和は、空間的に変化するぼけと非剛体の幾何学的歪みが結合するため、本質的に不良設定問題である。既存のエンドツーエンド手法は平坦場シミュレーションで学習されることが多く、テクスチャ回復と幾何補正のバランスを取るのに苦労している。この限界を克服するため、研究者らは D$^2$Turb を提案した。これは物理に基づくシミュレーションと明示的な分離復元を橋渡しする統合フレームワークである。
このフレームワークの主要な革新の一つは、深度認識型の湍流合成プロトコルである。従来のシミュレーション手法はしばしばシーンの深度を無視し、生成される劣化が実際と異なることがあった。D$^2$Turb では、シーン深度を位相から空間への変換式に組み込むことで、物理的に整合し、深度に依存した劣化画像を生成する。さらに重要なことに、このシミュレーションは分離学習のための重要な中間傾き監督信号を提供する。
復元段階では、D$^2$Turb はタスクをテクスチャのデブラリングと幾何補正という2つの相互作用する段階に分解する。テクスチャのデブラリング段階では、デブラリングバックボーンを用いて細かい詳細を回復しつつ、後続の補正段階のために幾何学的歪みを保持する。この設計は、従来のカスケード設計でしばしば見られる情報の断片化を回避する。情報の流れをさらに強化するため、研究者らは適応構造事前注入（ASPI）機構を提案した。この機構は、デブラリングモジュールからの深い構造表現を動的に転送し、空間的アンワープのための密なフロー予測を導く。
広範な実験により、D$^2$Turb は合成データセットと実世界データセットの両方で最先端の性能を達成し、テクスチャ回復と幾何学的忠実度の両方で一貫した改善を示した。論文は14ページの本文と7つの図で構成され、コードと事前学習モデルは GitHub で公開されている。この研究は、より現実的なシミュレーションとより効果的な分離学習戦略を通じて、単一フレーム大気湍流緩和の分野を前進させるものである。