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

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

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。

Aug, 2020

本文提出了一种基于变分推断框架下的新型深度条件扩散模型来解决大气湍流校正问题，并在综合合成的 AT 数据集上进行了实验，结果表明该提议的框架取得了良好的定量和定性结果。

May, 2023

在本文中，我们针对受云层影响的航拍图像，提出了两个基于 DOTA-v1.0 的新型基准测试。通过对主流目标检测模型的系统评估和大量剖析实验，我们发现增强模型架构、更大的网络、精心设计的模块以及谨慎的数据增强策略可以共同提高航拍目标检测模型的稳健性。我们提出的基准测试和全面的实验分析有助于促进航拍图像中稳健目标检测的研究。

Aug, 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

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

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