基于物理先验的协同学习框架用于湍流衰减估计和红外视频恢复
原文中文，约1300字，阅读约需3分钟。
📝
内容提要
本文介绍了一种结合物理学与机器学习的方法，用于预测大气湍流强度。研究提出了多种模型和框架，包括物理整合的修复网络、基于物理启发的转换器模型和生成对抗网络，旨在提升湍流条件下的图像质量和数据预测准确性。
❓
Q&A
如何利用物理学和机器学习预测大气湍流强度？
通过结合物理学分析和梯度提升的机器学习方法，确定潜在温度的归一化方差作为主导特征来预测大气湍流强度。
什么是物理整合的修复网络 (PiRN)？
PiRN 是一种通过物理模拟器参与训练的网络，旨在提高湍流条件下的图像恢复效果。
基于物理启发的转换器模型有什么应用？
该模型用于处理大气湍流引起的图像失真，能够提取动态湍流失真图并恢复无失真图像。
文章中提到的生成对流层的 GAN 泛化方法有什么优势？
通过修改损失函数并最小化生成数据的控制方程残差，该方法能够实现对生成数据的控制，展示出在能量统计和流场形态等方面的优势。
如何提高大气湍流成像模拟的速度？
通过基于 phase-to-space transform 的新模拟方法，该方法结合轻量化网络实现了300倍至1000倍的速度提升。
VIELab-HUST 团队在 CVPR 2023 中的成就是什么？
该团队在 CVPR 2023 中提出了一种高效的多阶段图像恢复框架，并获得了最终排行榜的第一名。
🏷️
