基于领域适应的实际大气湍流校正
内容提要
综述大气湍流对红外热成像目标检测的影响，涵盖几何扰动建模、热域自适应与数据增强；介绍基于物理启发Transformer、条件扩散模型、深度不确定性恢复及DATUM等抑制方法；探讨持续域适应、无监督前景分割与隐式神经表示NeRT，以提升退化图像恢复与检测性能。
延伸解读
从校正到检测：领域适应的必要性
文章指出，大气湍流不仅造成图像几何畸变和模糊，还会导致训练数据与部署环境之间的领域差距。单纯依赖图像恢复可能不足以提升目标检测性能，因此需要结合热域自适应和数据增强，使检测器适应不同湍流强度。这提示读者，在实际系统中，校正算法应与下游任务联合优化，而非孤立评估。
方法演进：从物理模型到隐式表示
文章梳理了多种抑制方法：物理启发Transformer、条件扩散模型、深度不确定性恢复、DATUM以及NeRT。这些方法分别从动态失真图提取、概率生成、不确定性引导和隐式神经表示等角度切入。读者可关注其共同趋势：利用物理先验与深度学习结合，在少量数据或复杂退化下实现恢复，并追求实时性。
持续域适应的稳定性挑战
在航空平台等场景中，天气逐渐恶化会导致领域差距持续扩大。文章评估了持续域适应模型，发现基于缓冲区的现有方法在适应过程中存在稳定性问题，并提出梯度归一化作为简单解决方案。这提醒读者，实际部署时需关注模型在连续更新中的训练稳定性，避免因数据分布渐变而性能骤降。
无监督分割与隐式表示的实用价值
文章介绍了针对湍流动态场景的两阶段无监督前景分割网络，以及基于隐式神经表示的NeRT方法。前者无需标注数据即可分割移动目标，并发布了首个相关数据集；后者仅需数十张扭曲图像即可重建清晰图像，并实现48倍加速。这些进展表明，减少对标注数据的依赖和提升计算效率是推动实际应用的关键。
Q&A
大气湍流对红外热成像目标检测有什么影响？
大气湍流会导致红外热成像中的几何扰动，降低目标检测性能。通过几何扰动模型模拟不同严重程度的湍流，并应用热域自适应和数据增强策略，可以提高目标检测器的性能。
有哪些基于深度学习的湍流校正方法？
包括基于物理启发的Transformer模型、基于变分推断的深度条件扩散模型、利用蒙特卡罗实验退出认知不确定性的恢复方法、深度大气湍流抑制网络（DATUM）、基于Wasserstein GAN和l1损失的视频去抖动去模糊方法，以及基于隐式神经表示的NeRT。
DATUM是什么？它有什么优势？
DATUM是深度大气湍流抑制网络，能在深度学习方法中高效执行长距离时序聚合，无缝促进像素注册和幸运成像，通过额外监督共同减轻倾斜和模糊退化，显著优于现有方法，并提供十倍的处理速度提升。
如何解决航空平台部署中天气逐渐恶化导致的领域适应问题？
合成两种逐渐恶化的天气条件并应用于真实图像数据集，生成四个基准数据集。在持续或测试时间适应设置下评估三种领域适应模型，发现基于缓冲区的持续领域适应方法存在稳定性问题，提出梯度归一化作为简单解决方案以抑制训练不稳定性。
NeRT是什么？它有什么特点？
NeRT是一种基于隐式神经表示的无监督大气和水湍流抑制方法，利用隐式神经表示和物理正确的倾斜-模糊湍流模型，仅依靠数十个扭曲输入图像就能重建干净无扭曲的图像，在大气和水湍流数据集上表现优于现有技术，并能消除现实环境中的非受控湍流，融入连续视频序列可实现48倍加速。
如何对受大气湍流影响的动态场景进行无监督前景目标分割？
采用两阶段无监督前景目标分割网络：第一阶段利用湍流变形图像序列的平均光流和区域生长算法构建初步掩膜；第二阶段采用具有一致性和分组损失的U-Net架构优化掩膜，优化时空对齐。该方法无需标记训练数据，适用于长距离视频的各种湍流强度，并发布了首个受湍流影响的移动目标分割数据集。
