没有合适的资源?快使用搜索试试~ 我知道了~
147590通过学习的相位到空间变换加速大气湍流模拟0Zhiyuan Mao,Nicholas Chimitt,Stanley H. ChanPurdue大学电气与计算机工程学院,美国印第安纳州西拉法叶市0{mao114,nchimitt,stanchan@purdue.edu}0摘要0快速准确地模拟通过大气湍流成像对于开发湍流抑制算法至关重要。鉴于以前方法的局限性,我们引入了一种称为相位到空间(P2S)变换的新概念,以显著加速模拟过程。P2S基于三个思想构建:(1)将空间变化的卷积重新构造为一组具有基函数的不变卷积,(2)通过已知的湍流统计模型学习基函数,(3)通过一个轻量级网络实现P2S变换,直接将相位表示转换为空间表示。与主流的分步模拟器相比,新的模拟器在保持基本湍流统计数据的同时,提供了300×-1000×的加速比。01. 引言0尽管经过几十年的研究,通过大气湍流成像仍然是光学和图像处理领域的一个悬而未决的问题。挑战不仅在于从一堆失真的帧中重建图像,还在于一个较少为人所知的图像形成模型,该模型可用于制定和评估图像重建算法,如深度神经网络。通过大气湍流失真来模拟图像已经引起了光学界的广泛关注[29, 3, 11,24],但是使用这些模拟器来开发深度学习图像重建算法仍然是一个挑战,因为目前没有物理上可证明的方法来以较低的计算成本合成大规模数据集进行训练和测试。鉴于对快速、准确和开源模拟器的需求,我们提出了一种新方法来生成具有理论可验证统计数据的湍流失真的密集网格图像。该模拟器主要由光学/信号处理步骤和一个轻量级的浅层神经网络组成,用于执行一种称为相位到空间(P2S)变换的新概念。通过并行计算来加速计算。024.36秒/帧(GPU)0.026秒/帧(GPU)(a)Hardie等人[11](b)我们的 图1.本文提出了一种比现有技术快得多(1000×)的湍流模拟器,同时保持了基本的湍流统计数据。0(a)输入(真实图像)(b)[17]+U-Net(c)我们的+U-Net图2.使用我们的模拟器合成训练集,用于训练图像重建网络(U-Net[28]),可以显著提高图像质量。网络对于(b)和(c)是相同的;只有用于合成训练数据的模拟器不同。0通过像素之间的并行计算,该模拟器与主流方法相比,提供了1000×的加速比,如图1所示。当使用新的模拟器合成训练数据来训练深度神经网络图像重建模型时,所得到的网络优于使用较简单模拟器合成的数据训练的相同架构,如图2所示。所提出的模拟器的概述如图3所示。我们提出的方法基于以下两个思想的联系:0•通过基函数进行卷积(第3.1节)。传统方法将湍流失真建模为空间变化的卷积,我们对其进行了重新构造。147600图3.本文引入了三个思想,以显著加速模拟过程。这三个思想分别是:(第3.1节)通过不变卷积逼近空间变化的卷积,(第3.2节)通过已知的湍流统计学习基函数表示,(第3.3节)实现相位到空间变换网络。0通过将畸变建模为空间不变卷积的总和来模拟问题。这个想法类似于[23]的先前工作,但在不同的背景下。0•学习基函数(第3.2节)。为了实现前面的想法,我们需要有基函数。这是通过利用[5]为所有高阶像差绘制Zernike样本来实现的。然后,使用主成分分析来构建基函数,正如Mao等人[21]所提出的那样。这也类似于Hunt等人提出的字典方法[13]。0这两个想法之间的缺失部分是相位和空间域中基函数之间的关系。这是一个未解决的问题,没有已知的解析解。我们通过引入一个称为“相位到空间变换”的新概念来避免这个困难(第3.3节)。为此,我们构建了一个轻量级的浅层神经网络,将相位域转换为空间域。将这个网络整合到前面提到的两个想法中,我们的整体模拟器遵循物理规律,同时提供了显著的加速和额外的重建效果。02. 背景0在本节中,我们对湍流物理学和湍流模拟的先前工作进行简要总结。通过大气湍流成像的理论可以追溯到Kolmogorov[14]和Tatarski [32]的工作,随后由Fried [6, 7, 8]和Noll[22]的一系列重大突破。鼓励读者参考[27, 10]进行介绍。0图4.分裂步骤传播[11]将湍流建模为一组离散的相位屏幕,其中波前畸变是通过在每个像素位置裁剪相位屏幕的区域引起的。关键操作是Fresnel传播和Kolmogorov相位传递。这些操作序列的最终结果是一个像素的点扩散函数(PSF)。相位屏幕的重叠创建了空间相关性。详细描述请参见[11]。02.1. 分裂步骤模拟0通过湍流的图像形成过程在相位域中最好描述。在自由空间中,发射的波以球形向外传播,并且如果距离足够远,则到达光圈时近似平坦。如果介质包含随机波动,波前的相位将沿传播路径畸变。我们可以想象波相对于其未受干扰的对应物领先和滞后相位,这是由于空间变化的折射率指数。上述过程最常用的模拟方法是分裂步骤传播[29, 3,11]。其思想是将波传播路径离散化,如图4所示。分裂步骤模拟将物体平面中的每个点通过一组离散的相位屏幕传播,交替进行由Fresnel衍射给出的自由空间传播和相位传递。相位屏幕的统计行为通过其功率谱密度(PSD)[11,29]定义,其中许多与KolmogorovPSD有关。这些操作序列最好由以下方程描述:0Fresnel → Kolmogorov → ... → Fresnel → Kolmogorov .0通过湍流介质后,点扩散函数(PSF)将如图5所示地空间变化。分裂步骤的好处有两个:(1)它是可解释的,因为它反映了物理过程,(2)通过最小的努力获得了空间相关性,因为相邻的点源共享重叠的裁剪相位屏幕。分裂步骤传播的缺点是其计算需求:每个Fresnel传播都需要一对ϕ(ρ) =K147610图5.如果我们通过湍流成像一个点源的点阵,我们将观察到一组空间变化的点扩散函数(PSF)。PSF的形状和方向由湍流的相位结构决定。0傅里叶变换。这对于每个点和路径上的每个步骤都要重复。此外,进行空间变化卷积还增加了另一层计算成本[11,29]。02.2. 孔径相位模拟0我们提出的模拟器受到Chimitt和Chan[5]的工作的启发。其思想是将分裂步进传播折叠成孔径上的相位结果。与使用全局相位屏幕的分裂步进相比,折叠模型直接生成局部相位实现,如图6所示。0图6.折叠的孔径相位模型[5]通过每个像素的局部相位屏幕取代了全局相位屏幕和菲涅尔衍射。这将波的传播转化为具有由倾斜和像差表征的PSF的空间变化卷积。虽然消除了分裂步进方法的相位裁剪和传播,但仍然需要在每个像素位置进行傅里叶变换。0在折叠模型中,使用Noll的思想[22]生成每个像素的局部相位。相位ϕ(ρ)(在直径为D的孔径上定义,ρ为坐标)可以通过Zernike基函数表示如下0j =1 α j Z j ( ρ ) , (1)0其中Zj(ρ)是Zernike基函数,αj是Zernike系数[α1,α2,...αK]=α�N(0,RZ),其中[22]提供了RZ的表达式。结果的非相干0PSF通过以下方式形成0h = ��� F � W ( ρ ) e − jϕ ( ρ ) ��� � 2 , (2)0忽略一些常数以简洁起见,其中W(ρ)是孔径的瞳函数。Zernike表示法提供了一种自然的术语分组,如图6所示:倾斜和高阶像差。术语α2和α3对应于最佳拟合平面的水平和垂直倾斜,以及相位失真ϕ。术语α4、α5等对应于高阶像差,并且解释了波的相位所表现出的复杂失真。从计算上讲,这两组可以通过生成高阶像差,将结果PSF应用于图像,然后根据其倾斜统计数据在局部上移动图像来分离。折叠模型的一个技术挑战是确保Zernike系数也具有空间相关性。在[5]中,通过发明一种多孔径近似,可以通过几个经典作品[2,4,31]的分析描述相关性。定义了相关矩阵后,可以生成具有空间相关倾斜的图像。对于高阶项,[5]建议可以定义一个PSF网格并在空间上进行插值。02.3. 孔径相位的局限性0如[5]所报道,折叠模型比标准的分裂步进传播快得多。然而,通过评估模拟器,可以明显看出存在几个限制因素:0•折叠模型仅通过Zernike系数创建失真。然而,即使有所有的Zernike系数,仍然需要通过(2)在每个像素上将它们转换为PSF。这是最大的瓶颈。0•建议为了减少傅里叶变换的数量,可以构建一个点阵的PSF,然后在空间上进行插值。然而,从数学上讲,这是不正确的,因为空间域中的叠加与相位域中的叠加不同。0•即使我们可以解决上述两个问题,要最终模拟出失真图像,我们仍然需要执行空间变化卷积。这涉及存储PSF和执行卷积,这两者都需要大量资源。02.4. 其他模拟器0光线追踪。与分步模拟相比,光线追踪[24,15]是一种替代方法,它需要通过传播介质追踪每个点源。还有其他y =y1...yN = Hx =hT1 x...hTNx ,(3)hn =M�m=1βm,nφm,(4)yn =M�m=1βm,n φTmx, n = 1, . . . , N.(5)147620基于计算机图形学中开发的光线追踪技术[30]。然而,由于缺乏基于湍流统计的定量评估,很难评估这些方法。Warp-and-blur。为了加快模拟速度,可以通过仅模拟像素位移(通常称为倾斜)并假设空间不变模糊[26,19]来牺牲准确性。这些模拟和模型在图像处理文献中被广泛使用[36, 16, 1,20],目标是提供对重建算法的快速评估。然而,这些方法无法与已知的失真统计行为相匹配。03. 方法0本文包括两个关键构建模块:(1)通过一组空间不变卷积重新定义空间变化卷积,(2)通过学习基函数构建不变卷积。其中的主要创新是引入了P2S变换,将泽尼克系数转换为PSF系数的联系。03.1. 想法1:基于基函数的卷积0湍流扭曲可以被建模为每个像素点上的空间变化卷积。将源图像表示为x ∈ R N,将瞳孔图像表示为y ∈ RN,空间变化卷积表示y由以下形式形成0其中{h n | n = 1, ..., N}是以线性算子H ∈ R N ×N的行形式存储的N个空间变化的PSF。本文的第一个关键思想是将h n写成0对于一些基函数φm(将在讨论中),以及像素点n处的第m个基函数的系数βm,n。那么,(3)中的每个像素点y n可以写成0由于卷积是线性的,这将(3)中的N个空间变化卷积{h T n x}N n =1转化为(5)中的M个空间不变卷积{φ T m x} M m=1。如果M �N,则(5)的计算成本可以大大降低。为了使用基函数进行卷积,我们需要从数据中学习两个量。这些量是基函数φm和系数β m,n。如果我们0如果我们能够找到图中的两者,图像可以通过基卷积图像φT m x和表示系数βm,n之间的简单乘加来形成,如图3所示。03.2. 想法2:学习基函数0为了生成基函数φm,我们考虑了[5]中描述的过程,即从[22]中形成具有协方差矩阵RZ的零均值高斯向量。相关性的强度由光学参数和关系D/r0决定,其中D是孔径直径,r0是弗里德参数[7]。图7(上半部分)说明了倾斜的生成;去除这些倾斜不会改变PSF的形状,而是将其居中。然后,我们寻求结果居中的PSF的基表示,如图7的下半部分所示。0图7.基础表示有两种不同的生成方式。对于倾斜,我们遵循[5]的工作,通过将独立同分布的高斯向量与倾斜相关矩阵相乘来绘制空间相关的倾斜。对于高阶像差项,我们考虑[5]的多孔径概念和[31]中推导的解析解。进行主成分分析以提取空间基函数。0为了生成基函数{φm}Mm=1,我们使用上述过程构建一个包含50,000个从弱到强的湍流级别的PSF的数据集。(详见补充材料。)给定数据集,我们进行主成分分析。在本文报告的数值实验中,总共使用了M =100个基函数。然后将基函数与倾斜结合,并发送到相位到空间(P2S)变换以确定基础系数{βm,n}。03.3. 第三个想法:相位到空间(P2S)变换0第三个想法,也是最重要的一个,是相位到空间变换。目标是定义一个非线性映射,将每个像素的Zernike系数α =[α1,...,αK]转换为它们关联的PSF基础系数β =[β1,...,βM],其中我们省略了像素索引下标n以清晰表示。乍一看,由于已经找到了基函数{φm}Mm=1,一个直接的方法是投影M147630将PSFh(在每个像素位置定义)投影到{φm}Mm=1上。然而,这样做将破坏跳过从Zernike系数检索h的目的,因为这是计算的瓶颈。也可以考虑用φm和Zernike系数来解析地描述PSF,0h = ��� F � W (ρ) e−jϕ(ρ) �0m =1 βm φm. (6)0然而,这样做(即通过为βm编写方程来建立(6)中的等式)是一个开放问题。即使我们只关注一个特殊情况,即只有一个Zernike系数,基函数的计算也将涉及对圆形孔径的非平凡积分[9]。为了绕过(6)引起的复杂性,我们引入了一种计算技术。这个想法是构建一个浅层神经网络来执行从α∈RK到β的转换0到β∈RM。我们将这个过程称为相位到空间变换,将网络称为P2S网络,因为输入-输出关系是从相位域到空间(PSF)域。0图8.相位到空间变换的示意图。我们通过学习的映射来绕过计算昂贵的点扩散函数形成过程,该映射在Zernike域和空间域之间建立。我们还注意到这里的P2S层的大小。0P2S变换的示意图如图8所示。给定表示倾斜的两个Zernike系数和表示高阶像差的其他Zernike系数,P2S变换使用前两个Zernike系数来位移像素,并使用网络将最后K-2个Zernike系数转换为M个基础表示。P2S变换网络的架构由图8总结的三个全连接层组成。在训练方面,我们重复使用了用于Idea2训练P2S网络的50,000个PSF。训练损失定义为预测的基础系数与真实系数之间的ℓ2距离(通过将PSF投影到学习到的基础函数上离线找到)。注意,这个0网络是轻量级的,因为P2S变换是逐像素执行的。对于具有大视场的图像,P2S网络可以并行执行。因此,即使是512×512的图像,整个变换也可以在一次传递中完成。03.4. 网格间的插值0现在我们来解决为高分辨率图像生成一组密集的Zernike系数α ∈RK的计算困难。为了实现这个目标,我们将图像划分为用户定义的锚点网格,例如64×64网格。这个网格对应于一个大小为64²×64²=4096×4096的相关矩阵,可以预先计算。根据图7,从相关矩阵中抽取4096组Zernike系数。为了从64×64锚点网格转换到完整图像,我们使用双线性插值来插值Zernike系数。对于锚点的生成,我们根据[31]中的到达角统计数据,结合[2,4]进行实现。这个过程在数学上很繁琐,但概念上很简单:只需要用[31]提供的公式将[5]中的相关矩阵的条目重写。新相关矩阵的输出是一组空间相关的Zernike系数。强调我们插值方式与[5]中使用的插值方式之间的区别是很重要的。在[5]中,插值是在空间域中进行的,其中两个PSF叠加生成一个新的PSF。在我们的模拟器中,我们插值Zernike系数来叠加两个相位函数。如果相位ϕ和PSFh之间通过P2S变换相关,ϕ P2S ←→h,重要的是要注意对于任意的0 ≤ λ ≤ 1,0λϕ1 + (1 − λ)ϕ2 � � � P2S ←→ λh1 + (1 −λ)h2.0因此,[5]中使用的插值方法较难以证明。在图9中,我们说明了两种插值方案。我们选择了一个现实且易观察的案例进行说明,其中在Zernike空间中的插值生成了一个接近衍射极限的PSF(幸运效应[8]),但在空间域中却被忽略了。03.5. 扩展到彩色图像0大多数深度神经网络今天都设计用于处理彩色图像。为了确保我们的模拟器与这些网络兼容,我们将其扩展到处理彩色图像。原则上,湍流介质的光谱响应是波长依赖的,扭曲必须模拟一组密集的波长。然而,如果湍流水平适度,与湍流的其他因素相比,Fried参数的波长依赖行为在可见光谱范围(大约400nm到700nm)内不太显著。05101520253035404550012345610-11Simulated Z-TiltTheoretical Z-tiltSimulated Differential-TiltTheoretical Differential-Tilt147640图9.[上]从[5]中的空间插值方案和我们在相位域中的插值方案进行比较。对于两种情况,我们都展示了PSF和示例结果图像。空间插值通过λh1 + (1 − λ)h2进行,这是两个PSF的叠加。相位插值通过λϕ1+ (1 −λ)ϕ2进行。在这个例子中,两个相位函数的叠加将导致一个具有非常轻微相位畸变的PSF,即幸运观测[8]。这种幸运观测在空间域插值中是不存在的。0为了说明这一观察结果,我们在图10中展示了从400nm(蓝色)到700nm(红色)的几个波长的单个PSF。很明显,PSF的形状在不同波长之间几乎没有变化。在同一图中,我们模拟了两个彩色图像。第一个图像是通过使用单个PSF(525nm)模拟彩色通道(并显示为RGB图像)得到的。第二个图像是通过考虑450nm、540nm和570nm三个波长的3个PSF进行模拟的。我们注意到(c)是一个更真实的模拟,但需要3倍的计算量。然而,颜色之间相似的PSF使得差异在视觉上无法区分,如(d)所示。图10中展示的小间隙表明在这种情况下我们可以以相同的方式模拟RGB通道。0(a)0(b)(c)(d)图10.(a)可见光谱上的PSF。(b)使用可见光谱的中心波长对三个通道应用相同的失真。(c)对三个通道应用波长相关的失真。(d)(b)和(d)之间的误差图。04.实验评估0我们的实验结果包括四个部分:(i)基于已知湍流统计的定量评估,(ii)与真实湍流数据的视觉比较,(iii)对深度神经网络图像重建方法的影响,(iv)运行时间比较。此外,视频包含在补充材料中。04.1. 定量评估0评估方案。在湍流模拟文献中,有两种标准方法来定量评估模拟器:(i)Z-倾斜和差分倾斜统计,以及(ii)短曝光和长曝光统计。为了使模拟器有效,必须将模拟数据与理论曲线相匹配。湍流条件。为了进行这个评估,我们遵循类似于[5]和[11]的设置。湍流的参数列在补充材料中。评估1:倾斜统计。我们首先报告Z-倾斜和差分倾斜统计。Z-倾斜和差分倾斜统计量度到达角之间的倾斜相关性。例如,随着到达角的增加,Z-倾斜应该下降,因为两个相距较远的像素应该具有较少(但非零)的相关性。Z-倾斜和差分倾斜的结果如图11所示。显然,所提出的模拟器的倾斜统计与理论预测非常匹配。0图11.我们的模拟器产生的Z-倾斜和差分倾斜统计与理论值相匹配。0评估2:长曝光和短曝光。我们还分析了生成的PSF的长曝光(LE)和短曝光(SE)行为。LEPSF是PSF实现的标准时间平均,而SE是中心PSF的时间平均。由于LE包括像素偏移,LEPSF的扩散比其SE对应物更大。此外,SE是一个有价值的指标,因为它量化了系统在不考虑其偏移行为的情况下经历的模糊。我们在图12中呈现了这些结果,再次看到模拟和理论行为之间的匹配。-30-20-10010203000.20.40.60.81SimulatedTheoretical-30-20-10010203000.20.40.60.81SimulatedTheoretical147650(a)短曝光(b)长曝光图12.我们的模拟器产生的短曝光和长曝光PSF与理论PSF相匹配。04.2. 使用真实数据进行视觉比较0我们强调先前定量讨论的结果在统计上是显著的。然而,与真实数据的视觉比较虽然主观,但是是一个重要的考虑因素,并且可以作为一个有用的现实检验。在下面的讨论中,我们以与提供的光学参数相同的参数模拟数据,并展示它们的真实对应物进行视觉比较。NATO数据集。精心记录的NATORTG40数据集[25,33]包含光学和估计的湍流参数。对于这些特定的图像集,目标距离成像系统1公里,使用被动可见光进行成像。测量了湍流参数,有助于评估拍摄图像时的适当湍流水平。我们选择这些参数来使用我们的模拟技术进行模拟,并在图13中显示了比较结果。通过将模拟与其真实对应物进行比较,我们可以看到模糊和偏移效应的匹配。在更高的湍流水平下,存在一些小的可观察差异,尽管我们认为这是在这类问题中仅建模相位以及照明差异(例如目标模式的数字表示与太阳照明)固有的。[12]和[1]中使用的数据集。除了NATO数据集,还有[12]和[1]中使用的数据集。图14中的图像显示了一种使用摄像机前的气流流动产生不同湍流水平图像的湍流数据收集方法。虽然这与典型的远距离成像序列不同,但这些数据作为一个不错的代理是有用的,因为它更容易收集,并且可以通过简单关闭气体系统来提供基准真实数据。我们在图14中呈现了用于视觉比较的结果,并注意到随机抽取与观察之间的相似性。04.3.对深度网络训练的影响0我们进行了一个实验,以展示所提出的模拟器对多帧湍流图像重建任务的影响。这个实验的目标是展示使用所提出的模拟器合成的数据训练的深度神经网络优于相同网络0(a)真实(b)模拟(c)倾斜图像图13.由[25,33]报告的对比平衡的NATO RTG-40数据集。光学参数列在补充材料中。0(a)真实帧(b)模拟帧0图14.模拟和真实湍流数据的视觉比较。通过比较单个帧,我们可以看到类似的模糊和扭曲效果。0使用不太合理的模拟器生成的数据训练的网络的训练。为了展示模拟器的影响,我们没有使用任何复杂的网络结构或训练策略。我们的网络采用简单的U-Net架构[28],具有50个输入通道,并使用MSE损失进行200个时期的训练。网络使用5000个模拟序列进行训练,每个序列包含50个退化帧。用于模拟的真实图像来自Places数据集[35]。这些序列是在湍流水平D/r0均匀采样于[1,8]的情况下进行模拟的。为了比较,我们使用一个模拟器进行相同的网络训练147660(a)输入(真实)(b)临时平均(c)Mao等人[21](d)[17]+U-Net(e)Ours+U-Net图15.使用真实数据进行图像重建(因此没有可用的真实数据)。对于(d)和(e),我们分别使用[17]和我们的模拟器合成的数据训练了一个UNet。请注意(d)中的伪影。0D/r 0 Mao等人[21] Ours+U-Net [17]+U-Net01.5 27.33dB 27.18dB 26.59dB 3.0 27.04dB26.98dB 26.11dB 4.5 25.85dB 26.01dB 25.40dB0表1.重建结果的PSNR值,平均值在30个测试序列上。测试数据由分步传播方法[11]合成。0Lau等人[17]提出的模拟器已在几项最新研究中使用[18,34]。为了进行公平比较,我们对高斯模糊(σ2从[1,3]中采样)和倾斜强度(从[0.1,0.4]中采样)进行了均匀扫描。作为参考,我们还报告了Mao等人[21]提出的确定性(非基于学习的)最先进的重建方法的结果。图15显示了两个定性重建结果。可以看出,使用所提出的模拟器训练的网络性能接近最先进水平。从使用[17]训练的网络生成可见伪影。我们还包括定量评估,其中使用分步模拟器[11]生成30个测试序列,低、中和高(D/r 0=1.5、3和4.5)下报告PSNR值在表1中。值得注意的是,使用我们的模拟器合成的数据训练的网络实现了与最先进方法相当的性能。04.4.运行时间0最后,我们将所提出的方法的运行时间与几种现有方法[5,11,17]进行比较。模拟器在具有Intel Xeon“SkyLake”处理器(16个核心)和Tesla V100GPU的计算集群节点上运行。我们使用16×16PSF网格[5],与我们的初始PSF网格相当。根据作者的建议,[17]中的for循环执行1000次。报告了[11]的运行时间0参考方法CPU(s)GPU(s)0Hardie等人[11]分步分割119.63 24.36Chimitt-Chan[5]折叠5.88 N/ALau等人[17]子采样3.13 N/A 我们的P2S 0.35 0.0260表2.每种方法处理256×256帧的平均运行时间。单位为秒。0由作者提供。处理一个256×256帧所需的时间见表2。与Hardie等人相比,所提出的方法提供了300×-1000×的加速。05. 结论0我们在这项工作中提出的通过大气湍流成像的模拟方法相比现有方法具有明显的优势。P2S变换网络的关键创新使得重建速度显著提高,并具有额外的重建效果。与基于深度学习的重建方法相比,所述方法允许生成以前不可行的大量训练数据。此外,将模拟方法作为神经网络中的可微分模块使用,还可以提供额外的重建效果。最后,我们期望能够更高效地产生统计准确的数据,从而通过以前不可能的数值分析方法进一步进行湍流成像性质的统计分析。0致谢0该工作部分得到了国家科学基金会在CCF-1763896和ECCS-2030570项目的支持。147670参考文献0[1] Nantheera Anantrasirichai, Alin Achim, Nick G. Kingsbury,and David R. Bull. 使用基于复小波的融合来减轻大气湍流.IEEE图像处理交易, 22(6):2398–2408, 2013年6月. 4 , 70[2] Santasri Basu, Jack E. McCrae, and Steven T. Fiorino.从时间序列图像中估计路径平均大气折射率结构常数. 在Proc.SPIE 9465, Laser Radar Technology and Applications XX; andAtmospheric Propagation XII中, 第1-9页, 2015年5月. 3 , 50[3] Jeremy P. Bos and Michael C. Roggemann.用于模拟长水平路径上的非等距成像的技术. 光学工程, 51(10):1 –9 – 9, 2012年. 1 , 20[4] Gary A. Chanan. 计算与大气湍流相关的波前倾斜相关性.美国光学学会A杂志, 9(2):298–301, 1992年2月. 3 , 50[5] Nicholas Chimitt and Stanley H. Chan.通过采样模态间和空间相关的泽尼克系数模拟非等距湍流.光学工程, 59(8):1 – 26, 2020年. 2 , 3 , 4 , 5 , 6 , 80[6] David L. Fried. 波前畸变的几何表示的统计.美国光学学会杂志, 55(11):1427–1435, 1965年11月. 20[7] David L. Fried.用于长曝光和短曝光的随机非均匀介质光学分辨率.美国光学学会杂志, 56(10):1372–1379, 1966年. 2 , 40[8] David L. Fried. 通过湍流获得幸运短曝光图像的概率. J. Opt.Soc. Am., 68(12):1651–1658, 1978年12月. 2 , 5 , 60[9] Joseph W. Goodman. 傅里叶光学导论. Roberts andCompany, Englewood, Colorado, 第3版, 2005年. 50[10] Joseph W. Goodman. 统计光学. John Wiley and Sons Inc.,Hoboken, New Jersey, 第2版, 2015年. 20[11] Russell C. Hardie, Jonathan D. Power, Daniel A. LeMaster,Douglas R. Droege, Szymon Gladysz, and Santasri Bose- Pillai.使用数值波传播模拟光学湍流中的非等距成像并进行新的验证分析.光学工程, 56(7):1 – 16, 2017年. 1 , 2 , 3 , 6 , 80[12] Michael Hirsch, Suvrit Sra, Bernhard Sch¨olkopf, andStefan Harmeling. 用于空间变异多帧盲反卷积的高效滤波流.在The IEEE Conference on Computer Vision and PatternRecognition (CVPR)中, 第607-614页, 2010年6月. 70[13] Bobby R. Hunt, Amber L. Iler, Christopher A. Bailey, andMichael A. Rucci. 通过稀疏和冗余表示合成大气湍流点扩散函数.光学工程, 57(2):1–11, 2018年2月. 20[14] Andrei N. Kolmogorov.用于非可压粘性流体的非常大雷诺数下湍流的局部结构。Akademiia Nauk SSSR Doklady,30:301-305,1941年。20[15] Svetlana L. Lachinova,Mikhail A. Vorontsov,Grigorii A.Filimonov,Daniel A. LeMaster和Matthew E. Trippel。0通过大气湍流的非相干成像的数值模拟技术的比较分析。Optical Engineering,56(7):071509.1-11,2017年。30[16] Chun Pong Lau,Yu Hin Lai和Lok MingLui。通过RPCA和准保角映射恢复大气湍流失真图像。InverseProblems,2019年3月。40[17] Chun Pong Lau和Lok MingLui。子采样湍流去除网络。Mathematics,Computation andGeometry of Data,1(1):1-33,2021年。1, 80[18] Chun Pong Lau,Hossein Souri和RamaChellappa。At-facegan:来自大气湍流的单一面部语义感知图像恢复和识别。IEEE Transactions on Biometrics,Behavior,andIdentity Science,第1-1页,2021年。80[19] Kevin R. Leonard,Jonathan Howe和David E.Oxford。在SPIE8546光学和光子学用于反恐、打击犯罪和防御的会议论文集中模拟大气湍流效应和缓解算法对远距离自动人脸识别的影响,第1-18页,2012年10月。40[20] Yifei Lou,Sung Ha Kang,Stefano Soatto和AndreaBertozzi。大气湍流失真的视频稳定。Inverse Problems andImaging,7(3):839-861,2013年8月。40[21] Zhiyuan Mao,Nicholas Chimitt和Stanley H.Chan。通过各向异性平面湍流重建静态和动态场景的图像。IEEETransactions on ComputationalImaging,6:1415-1428,2020年。2, 80[22] Robert J. Noll. Zernike多项式和大气湍流。J. Opt. Soc.Am.,66(3):207-211,1976年3月。2, 3, 40[23] Timothy Popkin,Andrea Cavallaro和DavidHands。一种平滑空间变异高斯模糊的准确高效方法。IEEETransactions on ImageProcessing,19(5):1362-1370,2010年。20[24] Guy Potvin,Luc Forand和DenisDion。用于模拟湍流成像的简单物理模型。在SPIE会议论文集中,卷8014,第80140Y.1-13页,2011年。1, 30[25] Endre Repasi和RobertWeiss。大气湍流引起的图像畸变分析和湍流效应的计算机模拟。Proc SPIE,6941,2008年5月。70[26] Endre Repasi和RobertWeiss。用于水平视图的大气湍流图像退化的计算机模拟。在SPIE8014国防、安全和传感会议论文集中,2011年5月。40[27] Micheal C. Roggemann和Byron M.Welsh。通过大气湍流成像。激光与光学科学与技术。Taylor &Francis,1996年。20[28] Olaf Ronneberger, Philipp Fischer, and Thomas Brox.U-net: 用于生物医学图像分割的卷积网络。在NassirNavab,Joachim Hornegger,William M. Wells和Alejandro F.Frangi编辑的MICCAI2015医学图像计算与计算机辅助干预会议论文集中,第234-241页,2015年。Springer International Publishing. 1, 70[29] Jason D.Schmidt。光学波传播的数值模拟:MATLAB示例。SPIEPress,2010年1月。1, 2, 3147680[30] Armin Schwartzman, Marina Alterman, Rotem Zamir, andYoav Y. Schechner.湍流诱导的2D相关图像畸变。在计算摄影国际会议论文集中,第1-12页,2017年。40[31] Naruhisa Takato和IchirouYamaguchi。具有有限外尺度的大气湍流的Zernike相展开系数的空间相关性。Journal of Optical Society of AmericaA,12(5):958-963,1995年5月。3, 4, 50[32] Valeryan I. Tatarski. 湍流介质中的波传播. 纽约:多佛出版社,1961年. 20[33] David Tofsted, Sean O’Brien, Jimmy Yarbrough, DavidQuintis和Manuel Bustillos. 在NATORTG-40陆地实验中表征大气湍流. 在Cynthia Y. Young和G.Charmaine Gilbreath编辑的《大气传播IV》中, 卷6551,页199–208. 国际光学和光子学学会, SPIE, 2007年. 70[34] Rajeev Yasarla和Vishal M. Patel.使用卷积神经网络学习修复受大气湍流影响的单张人脸图像. ArXiv,abs/2007.08404, 2020年. 80[35] Bolei Zhou, Agata Lapedriza, Aditya Khosla, AudeOliva和Antonio Torralba. 场景识别的1000万图像数据库Places.IEEE模式分析与机器智能交易, 40(6):1452–1464, 2018年. 70[36] Xiang Zhu和Peyman Milanfar.通过空间不变去卷积消除大气湍流. IEEE模式分析与机器智能交易,35(1):157–170, 2013年1月. 4
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 收起
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
会员权益专享
最新资源
- zigbee-cluster-library-specification
- JSBSim Reference Manual
- c++校园超市商品信息管理系统课程设计说明书(含源代码) (2).pdf
- 建筑供配电系统相关课件.pptx
- 企业管理规章制度及管理模式.doc
- vb打开摄像头.doc
- 云计算-可信计算中认证协议改进方案.pdf
- [详细完整版]单片机编程4.ppt
- c语言常用算法.pdf
- c++经典程序代码大全.pdf
- 单片机数字时钟资料.doc
- 11项目管理前沿1.0.pptx
- 基于ssm的“魅力”繁峙宣传网站的设计与实现论文.doc
- 智慧交通综合解决方案.pptx
- 建筑防潮设计-PowerPointPresentati.pptx
- SPC统计过程控制程序.pptx
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功