基于物理的深度学习用于从视频估计湍流强度$C_n^2$

来自长距离的图像因空气细胞（具有随机温度和折射率）的湍流流动而产生动态图像失真，这种现象称为图像抖动，通常以其折射率结构常数$C_n^2$作为湍流强度的度量。对于大气气象模型、远距离/天文成像和航空安全、光学通信等许多应用，$C_n^2$估计对于准确感知湍流环境至关重要。以前的$C_n^2$估计方法包括从气象数据（温度、相对湿度、风切变等）进行单点测量、从光学湍流仪进行双端路径长度测量以获得路径平均的$C_n^2$，以及最近从被动视频摄像机进行测量以实现低成本和硬件复杂度。本文我们对经典图像梯度方法和现代深度学习方法（利用卷积神经网络）进行了比较分析。为此，我们收集了视频捕获数据集，包含参考湍流仪测量值作为真实值，并将独特数据集发布给科学界。我们观察到，深度学习方法在训练数据相似时可实现更高精度，但在面对其他不可见图像时会出现泛化误差，优于经典方法。为克服这一权衡，我们提出了一种新型物理驱动的网络架构，将学习的卷积层与可微分的图像梯度方法相结合，既保持了高精度，又在不同图像数据集之间具有良好的可泛化性。