子采样湍流去除网络
本研究提出了一种基于物理启发的转换器模型来处理大气湍流引起的图像失真,利用该模型可以提取动态湍流失真图并恢复无失真图像,并收集了两个现实世界的湍流数据集,用经典数据和一种新的任务驱动度量来进行评估。
Jul, 2022
本文介绍了一种利用监督式机器学习技术、灵感来源于超分辨率和插帧的新型湍流数据重建方法,通过卷积神经网络的多尺度模型,及时地将高分辨率的湍流流场从粗略的空间和时间数据中恢复出来,该方法在二维圆柱后流、二维衰减均匀同性湍流和三维涡旋管道流场的应用中得到了验证,表明其能够满足多种流场重建的需求。
Apr, 2020
本文提出了基于深度学习的方法,利用蒙特卡罗实验退出的认知不确定性来恢复大气湍流影响下的退化单张图像,并利用估计的不确定性图来指导网络获取恢复图像。
Jul, 2022
我们在实际环境中提出了一种大气湍流妥协模型,利用领域自适应框架将有监督的模拟大气湍流校正与无监督的实际大气湍流校正相结合,从而提高实际大气湍流场景的性能,改善图像质量和下游视觉任务。
Feb, 2024
本文介绍了一种新的神经网络随机模型,用于生成具有湍流速度统计的一维随机场。该模型的结构和训练程序基于克尔莫戈洛夫和奥布科夫的完全发展湍流统计理论,因此可以保证与实验观测一致的能量分布、能量级联和尺度间歇性的描述。该模型是一个具有多尺度优化准则的生成对抗网络,首先使用三个基于物理的准则:生成场增量的方差、偏度和平坦度,分别检索湍流能量分布、能量级联和尺度间歇性。其次,基于重现统计分布的生成对抗网络准则,用于不同长度的生成场的段落上。此外,为了模仿湍流研究中经常使用的多尺度分解,模型结构完全卷积,模型的多个层的内核大小变化。为了训练我们的模型,我们使用摩登风洞的网格湍流的湍流速度信号。
Jul, 2023
本文提出了一个针对受大气湍流影响动态场景的两阶段无监督前景目标分割网络。在第一阶段,我们利用湍流变形的图像序列的平均光流来提供一个新颖的区域生长算法,为视频中的每个移动物体构建初步的掩膜。在第二阶段,我们采用具有一致性和分组损失的 U-Net 架构进一步优化这些掩膜,优化它们的时空对齐。我们的方法不需要标记的训练数据,并且适用于长距离视频的各种湍流强度。此外,我们发布了第一个受湍流影响的移动目标分割数据集,包含手动注释的地面实况掩膜。在这个新数据集上评估,我们的方法相比当前最先进的无监督方法展现出了优越的分割准确性和鲁棒性。
Nov, 2023
提出了物理整合的修复网络 (PiRN) 和 PiRN-SR 方法,该方法通过物理模拟器直接参与训练过程,从而帮助网络从图像退化和底层图像中分离出随机性,以提高真实世界未知湍流条件下的泛化性能,并在像素精确度和感知质量方面提供了最新的恢复效果。
Jul, 2023
本文利用生成对抗网络和循环神经网络结合的方式,通过无监督学习生成了一种可以模拟各种湍流雷诺数下流动的模拟数据,并与真实数据达成了一定程度上的拟合。
Aug, 2019
本文介绍了一种用于恢复湍流环境中动态场景视频的首个先分割再恢复的流程。我们利用均值光流和无监督的运动分割方法,在恢复之前对动态和静态场景组件进行分离。经过相机抖动补偿和分割后,我们利用湍流强度统计和基于噪声的程序化湍流生成器上训练的转换模型进行前景 / 背景增强,以实现快速数据集增强。与现有的恢复方法相比,在视频中恢复了大部分几何失真并提高了清晰度。我们公开提供我们的代码、模拟器和数据,以推进从湍流中恢复视频的领域:ripponcs.github.io/TurbSegRes。
Apr, 2024