本文提出了一种新颖的去卷积方法，针对长距离成像中的大气湍流模糊问题。该方法结合了大气调制传递函数的解析表达式与框架去卷积算法，能够有效估计折射率结构，实现优异的去模糊效果。

本研究提出了一种新颖的稳定图像生成算法，旨在消除大气湍流引起的几何失真。通过变分公式和Bregman迭代方法，分析了正则化项选择对模型的影响。

本研究提出了一种新颖的变分模型，利用Bregman迭代和算子分裂方法，解决大气湍流引起的图像退化问题，算法简单高效，适用于多种场景。

本文提出了一种新算法，旨在降低大气湍流引起的图像几何失真和模糊。该算法通过稳定图像序列、应用鲁棒主成分分析和盲反卷积技术，有效恢复图像细节并提高视觉质量。同时，研究介绍了新的数据集OTIS，以便于算法间的比较和评估。

本文提出了一种新算法，旨在降低大气湍流引起的图像失真和模糊。该算法结合鲁棒主成分分析和盲反卷积技术，通过生成清晰的参考图像和稳定图像序列，有效恢复图像细节并提高视觉质量。此外，研究展示了基于深度学习的模型，能够处理动态场景中的湍流影响，显著提升恢复效果和处理速度。

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。

本研究提出了一种基于物理启发的转换器模型，旨在处理大气湍流引起的图像失真。通过深度学习方法，开发了深度大气湍流抑制网络（DATUM），显著提高了图像恢复的效率和质量。此外，研究结合动态湍流和静态背景，改善了图像质量和视觉任务的性能。

本文介绍了一种新型的大气湍流衰减方法，结合时空非局部平均和几何一致性，有效恢复受湍流影响的图像。研究提出的深度学习模型和弱监督框架显著提高了图像质量和处理速度，并在实际环境中验证了其性能。

本文介绍了深度大气湍流抑制网络（DATUM），利用深度学习有效处理大气湍流导致的图像失真，显著提高了处理速度。研究团队在多个比赛中表现优异，并提出了无监督前景目标分割网络，展示了其在长距离视频中对湍流的有效处理能力，同时发布了相关数据集以评估方法的准确性和鲁棒性。

提出了一种基于隐式神经表示的无监督大气和水湍流抑制方法（NeRT），通过利用隐式神经表示和物理正确的倾斜 - 模糊湍流模型，仅仅依靠数十个扭曲输入图像就能重建出干净、无扭曲的图像，并且在大气和水湍流数据集的各种定性和定量评估中表现优于现有技术，同时展示了 NeRT 消除现实环境中的非受控湍流的能力，并将 NeRT 融入连续捕获的视频序列中实现了 48 倍的加速。