用于大气湍流消除的深度学习技术：综述

大气湍流对获取图像的影响使得图像解释和场景分析变得极其困难，并降低了场景中对感兴趣目标进行分类和跟踪的常规方法的有效性。恢复受大气湍流干扰的场景也是一个具有挑战性的问题。这种由随机的、空间变化的扰动引起的效应，由于复杂性和内存需求，使得常规的基于模型的方法变得困难，并且在大多数情况下不切实际。深度学习方法提供了更快的操作速度，并能够在小型设备上实现。本文回顾了大气湍流的特征及其对获取图像的影响。它比较了各种最先进的深度神经网络（包括 Transformer、SWIN 和 Mamba）在缓解时空图像失真时的性能。