D²Turb：深度感知模拟与解耦学习用于单帧大气湍流缓解
研究人员提出D²Turb框架，通过引入深度感知的湍流合成协议和自适应结构先验注入机制，将大气湍流缓解分解为纹理去模糊和几何校正两个交互阶段，在合成和真实数据集上均达到最优性能。
文章情报
工程师进阶
要点
- 提出深度感知湍流合成协议，结合场景深度生成物理一致的退化数据。
- 采用解耦学习方法，将恢复过程分为纹理去模糊和几何校正两阶段。
- 创新自适应结构先验注入机制，缓解级联设计中的信息碎片化问题。
- 在合成和真实数据集上实现最先进的纹理恢复和几何保真度。
为什么重要
这条新闻值得关注，因为提出深度感知湍流合成协议，结合场景深度生成物理一致的退化数据。
技术影响
可能影响模型选型、推理成本、产品能力和评测基准。
近日，研究团队在arXiv上发布了一项关于单帧大气湍流缓解的新成果，提出了名为D²Turb的统一框架。该研究由Zixiao Hu等七位作者共同完成，旨在解决大气湍流导致的空间变化模糊与非刚性几何畸变这一固有难题。传统端到端方法通常基于平面场模拟训练，难以在纹理恢复和几何校正之间取得平衡。D²Turb通过物理基础的模拟与显式解耦恢复相结合，实现了突破。
首先，团队引入了一种深度感知湍流合成协议，该协议将场景深度信息纳入相位到空间公式中，从而生成物理一致且深度相关的退化数据。这一过程不仅提供了更加真实的模拟环境，还产生了关键的中间倾斜监督信号，用于支持后续的解耦学习。在此基础上，D²Turb将恢复过程分解为两个交互阶段：纹理去模糊和几何校正。纹理去模糊阶段采用去模糊骨干网络恢复精细细节，同时保留几何畸变，为后续的校正阶段做准备。
为了克服级联设计中常见的信息碎片化问题，研究者进一步提出了自适应结构先验注入（ASPI）机制，该机制能够动态地将去模糊模块中的深度结构表示传输到密集流预测中，从而指导空间校正过程。大量实验表明，D²Turb在合成和真实数据集上均取得了最先进的性能，在纹理恢复和几何保真度方面均有一致提升。目前，该研究的代码和预训练模型已在GitHub上公开。