D$^2$Turb：基于深度的单帧大气湍流缓解模拟与解耦学习
计算机视觉与模式识别
2026-05-28 v1
摘要
单帧大气湍流缓解本质上是难题，由于空间可变性模糊叠加非刚性几何畸变。现有基于平场模拟的端到端方法往往难以在纹理恢复与几何校正之间取得平衡。为克服这一限制，我们提出DTurb框架，融合物理驱动的模拟与显式解耦恢复。首先，我们引入基于场景深度的湍流合成协议，将深度纳入相位-空间配方中，生成物理一致的深度相关性退化，并为解耦学习提供关键的中间tilt监督信号。在此模拟引擎基础上，DTurb将恢复分解为两个相互交互的阶段：纹理去模糊和几何校正。纹理去模糊阶段采用去模糊主干网络恢复细粒度细节，同时保留几何畸变供后续校正阶段使用。为缓解级联设计中常见的信息碎片化，我们进一步提出自适应结构先验注入（ASPI）机制，动态地将去模糊模块的深层结构表示传递，以指导稠密流场预测进行空间去纠正。广泛实验表明，DTurb在合成数据集和真实世界数据集上均实现了最先进的性能，显著提升了纹理恢复和几何保真度。我们的代码和预训练模型已公开于https://github.com/HertzDot222/D2Turb。
引用
@article{arxiv.2605.27460,
title = {D$^2$Turb: Depth-Aware Simulation and Decoupled Learning for Single-Frame Atmospheric Turbulence Mitigation},
author = {Zixiao Hu and Tianyu Li and Guoqing Wang and Wei Li and Guoguo Xin and Xun Liu and Peng Wang},
journal= {arXiv preprint arXiv:2605.27460},
year = {2026}
}
备注
14 pages, 7 figures