DMAT：面向联合大气湍流减缓与目标检测的端到端框架
计算机视觉与模式识别
2025-11-25 v3
摘要
大气湍流 (AT) 降低了监视图像的清晰度和准确性，这不仅影响可视化质量，也影响目标分类和场景跟踪。已提出基于深度学习的方法以提高视觉质量，但时空失真仍是一个显著问题。尽管基于深度学习的目标检测在正常条件下表现良好，但在受大气湍流扭曲的序列上运行时仍感到困难。本文提出一种新框架，通过学习来补偿扭曲的特征，同时改善可视化和目标检测。该端到端训练策略利用了 AT 减缓器中低层扭曲特征与目标检测器中提取的语义特征之间的知识交流。具体而言，在 AT 减缓器中采用 3D Mamba 结构处理由湍流引起的时空位移和模糊。通过在 AT 减缓器和目标检测器中的反向传播实现优化。我们所提出的 DMAT 在由生成湍流扰乱的数据集上，相较于最先进的 AT 减缓和目标检测系统，实现了最高可达 15% 的提升。
引用
@article{arxiv.2507.04323,
title = {DMAT: An End-to-End Framework for Joint Atmospheric Turbulence Mitigation and Object Detection},
author = {Paul Hill and Zhiming Liu and Alin Achim and Dave Bull and Nantheera Anantrasirichai},
journal= {arXiv preprint arXiv:2507.04323},
year = {2025}
}
备注
Accepted to WACV2026