在国家自然科学基金项目（批准号：U1736217）资助下，北京航空航天大学白相志教授团队在大气湍流效应成像退化机制及退化抑制研究中取得进展。研究成果以“利用深度学习技术抵消复杂场景成像过程中的大气湍流退化效应（Neutralizing the impact of atmospheric turbulence on complex scene imaging via deep learning）”为题，于2021年10月14日发表于《自然∙机器智能》（Nature Machine Intelligence），论文链接：https://www.nature.com/articles/s42256-021-00392-1。
大气湍流效应广泛存在于日常生活和工业生产中。在湍流影响下大气折射率随时间和空间作无规则变化，导致光在传输过程中发生强度、相位和方向性波动，最终成像结果包含高度耦合的时变-空变模糊和几何畸变退化（图1）。而湍流的各向异性、不均匀性和不确定性，使得上述退化过程高度病态、高度非线性。因此，对这一物理过程进行逆向推理、抵消成像过程中大气湍流引起的退化效应是一项巨大挑战。
针对这一问题，白相志教授团队基于大气湍流效应成像退化机制进行半物理仿真，提出一种基于生成对抗网络的逆向推理方法（TSR-WGAN），抑制了光线波动引起的模糊效应（图2(a)），缓解了光路变化导致的时域连续几何畸变与抖动（图2(b)）。在PSNR、RRED等客观量化指标上均优于对比方法，在包含50名参与者的主观测试中总体得分指标领先对比方法50%以上（图3）。更为重要的是，该研究建立了大型仿真湍流数据集和真实湍流数据集（共27458段视频序列，包含411870帧图像），提供了视觉对比评测软件。研究成果可为后续湍流物理性质的探索提供理论支撑，在高分对地观测、远距离成像探测、大范围安防监测中有重要应用。
图1 大气湍流效应下成像退化物理过程示意图
图2 (a) TSR-WGAN改善图像模糊效应效果。图中左半部分为受大气湍流效应影响的退化图像，右半部分为TSR-WGAN校正后效果 (b) TSR-WGAN（最后一列）与其他对比方法校正抖动与几何畸变效果对比
图3 基于Bradley-Terry模型计算得到的主观成像质量归一化评价指数结果，TSR-WGAN显著高于对比方法