D$^2$Turb 是 Zixiao Hu 等 7 位作者于 2026 年 5 月 25 日提交至 arXiv 的一篇计算机视觉论文（编号 arXiv:2605.27460v1，归类 cs.CV，共 14 页、7 幅图），聚焦单帧大气湍流缓解这一逆问题。论文指出，单帧图像中的大气湍流同时带来空间变化的模糊与非刚性几何扭曲，使复原任务本身具有病态性；而现有端到端方法多在平坦场（flat-field）模拟数据上训练，往往难以在纹理恢复与几何校正之间取得平衡。
为应对这一局限，作者提出统一框架 D$^2$Turb，把基于物理的仿真与显式解耦的复原流程连接起来。框架的第一部分是深度感知湍流合成协议（Depth-Aware Turbulence Synthesis）：它在相位到空间（phase-to-space）的建模中引入场景深度，从而生成物理一致、随深度变化的退化效果，并为解耦学习提供关键的中间倾斜（tilt）监督信号。这一仿真引擎弥补了传统平坦场模拟忽略深度差异的不足，使训练数据在物理上更贴近真实成像条件。
在仿真引擎之上，D$^2$Turb 将复原拆分为两个相互作用的阶段：纹理去模糊与几何校正。纹理去模糊阶段使用去模糊主干网络恢复细粒度细节，同时有意保留几何扭曲，交由后续校正阶段处理，避免两个子任务互相干扰。为解决级联设计中常见的信息割裂问题，作者进一步提出自适应结构先验注入（Adaptive Structural Prior Injection，ASPI）机制，将去模糊模块中的深层结构表征动态传递给几何校正模块，用于引导稠密光流预测，从而完成空间反扭曲。
实验方面，论文报告 D$^2$Turb 在合成数据集与真实世界数据集上均取得当前最优性能，在纹理恢复和几何保真度两方面都有稳定提升。作者已公开代码与预训练模型，地址为 https://github.com/HertzDot222/D2Turb。论文提交时间为 2026 年 5 月 25 日 20:25:25 UTC，文件约 27,179 KB，可通过 arXiv 查看 PDF、实验性 HTML 版本及 TeX 源码，DOI 为 10.48550/arXiv.2605.27460。