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
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
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
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
本文介绍了 VIELab-HUST 团队在 CVPR 2023 UG2+ Track 2.2 中，对经过大气湍流干扰后的编码目标进行图像恢复的高效多阶段框架，并在最终排行榜上获得第一名。
Jun, 2023
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。
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
该研究提出了一种新的对卫星图像进行去畸变和恢复的方法，使用失真、参考图像和知识蒸馏来训练模型，成功地解开了卫星图像质量问题。
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