Aug, 2020

靠各向异性湍流重构静态和动态场景的图像

PDF
TL;DR本文介绍了一种统一的大气湍流衰减方法，在静态和动态序列中均可使用，并且通过利用一种新的时空非局部平均方法来构建可靠的参考帧，利用几何一致性和锐度度量来生成幸运帧，并通过对盲变焦点扩散函数进行物理约束的先验模型。通过合成和真实长距离湍流序列基于实验结果验证了所提出方法的性能。
atmospheric turbulenceimage qualityreconstruction algorithmslong-rangenon-local averaging
发现论文，激发创造
  • 单帧大气湍流抑制：基准研究与一种新的物理启示 Transformers 模型

    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

  • 利用不确定性学习修复大气湍流下受损图像

    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

  • RPCA 和拟保形映射恢复大气湍流畸变图像

    本文提出了一种新颖的算法来降低由大气湍流引起的几何失真以及时空变化的模糊，该算法首先利用适当的能量函数得到一个清晰度较高的参考图像以及一个包含参考图像的清晰和略微失真图像帧的子采样图像序列，然后通过稳定变形场来稳定子采样图像序列，最后应用鲁棒主成分分析和盲反卷积技术去模糊，融合图像帧，实验表明该方法在恢复图像细节和提高视觉质量方面有效。

    Apr, 2017

  • 利用视频序列深度视觉先验进行大气湍流去除

    基于自我监督学习的方法能够改善大气湍流扭曲效应，利用深度学习和时空先验能够提高图像质量。

    Feb, 2024

  • Turb-Seg-Res：用于大气湍流动态视频的分割 - 恢复流程

    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

  • 大气湍流效应对热适应目标检测模型的增强

    本文分析了大气湍流对红外热成像中的目标检测性能的影响，通过使用几何扰动模型模拟了不同严重程度的大气湍流对多规模热成像数据集的影响，应用热域自适应和数据增强策略提高了目标检测器的性能。

    Apr, 2022

  • 大气湍流中无监督区域生长网络的目标分割

    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

  • 大气湍流抑制的等变模板配准

    通过模拟光流和引入隐函数模板，我们提出了一种强大的方法来恢复受大气湍流影响的图像的辐照度，该方法在注册中没有使用模板，避免了与模板初始化相关的伪影，并取得了最先进的性能。

    May, 2024

  • 如何在热适应目标检测模型上增强大气湍流效应？

    利用湍流图像增强技术改善在大气湍流环境下热适应和基于深度学习的目标检测模型的准确性和鲁棒性，研究表明，通过在模型训练中使用湍流特定的增强方法，可以显著提高检测湍流图像的准确性和鲁棒性。

    May, 2024

  • 时空湍流抑制：一个翻译视角

    利用经典图像修复算法的直觉，我们提出了深度大气湍流抑制网络（DATUM），能够在深度学习方法中高效地执行长距离时序聚合，同时无缝地促进像素注册和幸运成像，并通过额外的监督来共同减轻倾斜和模糊退化，从而显著优于现有方法，并提供十倍的处理速度提升。

    Jan, 2024