封面解读

本封面形象地展现了基于全数字信号处理的湍流图像模拟与校正重建过程。画面主体为一艘航行于广阔海面上的巨轮，其中巨轮后半部分经过湍流区域，呈现出被空中漩涡所扭曲的畸变形态；在闪烁如网络节点的海面映衬下，智能神经网络对湍流畸变图像进行数字化处理的过程得以展现，最终在远距离观测的望远镜中清晰重建出校正后的图像。

文章链接：

1

研究背景

大气湍流导致的空间折射率分布不均会引起传输光波的波前畸变，严重制约了海上目标监测、卫星遥感成像、激光通信等具有远距离探测需求的应用的发展。为应对这一挑战，大气湍流畸变校正技术应需而生。

近年来，因深度学习模型强大的特征建模能力，基于深度学习的湍流校正方法成为研究主流，这推动了该领域从依赖复杂硬件和物理模型的传统方法，转向以数据驱动和端到端学习的新范式，而其训练与评估高度依赖于大规模、多样化的湍流图像数据集。因此，高效、逼真的大气湍流图像模拟技术也成为关键支撑。长春理工大学郝群团队系统回顾了大气湍流图像模拟与基于深度学习的湍流校正方法的研究进展，重点比较了各类方法的原理、性能与局限性，并对未来发展方向进行了展望。

2

关键技术进展

为应对大气湍流扰动对光学成像带来的挑战，相关研究聚焦于两大核心环节：湍流效应的模拟与畸变图像的校正——湍流模拟技术为校正模型提供大规模训练数据，校正技术则依托模拟数据实现性能突破。

2.1 大气湍流畸变图像模拟技术：从物理保真到效率优化

1）分步传播法

分步传播法作为物理保真的基准方法，如图1所示，通过将大气通道离散化为多层相位屏，模拟光波在湍流中的传播过程。虽然该方法能最大程度上保持湍流效应的物理真实性，但是其计算成本高昂，难以支撑大规模数据生成，主要适用于算法验证等精度要求较高的场景。

图1 分步传播法原理图

2）无传播法

无传播法通过将湍流畸变解耦为倾斜和模糊两个分量，直接在图像域实现畸变模拟，原理如图2所示。

图2 无传播方法原理图

这种方法在保持统计特性的同时，将生成效率提升了数十倍，已成为支撑湍流校正深度学习模型训练的主流技术。虽然该方法的物理精度略低于分步传播法，但是已能满足大多数实际应用的需求，与分步传播方法所生成的模拟图像的对比效果如图3所示。

图3 模拟图像和倾斜量分布图。（a）无畸变图像；（b）分步传播法模拟的湍流图像；（c）无传播法模拟的湍流图像；（d）无传播法生成的倾斜畸变量分布图

3）基于神经网络的P2S方法

基于神经网络的P2S方法在无传播法基础上，通过神经网络实现湍流参数到图像畸变的端到端映射，原理图如图4所示。该方法不仅进一步提升了生成效率，更重要的是具备可微分特性，为模拟与校正的联合优化提供了新的技术路径，代表了下一代湍流模拟技术的发展方向。

图4 P2S 湍流图像模拟方法

2.2 基于深度学习的大气湍流校正技术：从单一架构到融合创新

1）基于卷积神经网络

基于卷积神经网络（CNN）的校正方案利用CNN提取图像局部特征，在静态图像去模糊方面表现出色。从初期的DnCNN到引入注意力机制的DeturNet，这类方法在保持计算效率的同时不断提升性能，成为静态湍流图像校正的基础方案。图5展示了改进的DnCNN大气湍流失真的恢复情况，图6为DeturNet网络架构。

图5 改进的DnCNN大气湍流失真的恢复情况。（a）失真图像；（b）真实情况；（c）恢复的图像

图6 DeturNet 网络结构

2）基于生成式模型

生成式模型为复杂场景下的湍流校正带来了突破。生成式对抗网络（GAN）系列模型借助对抗训练机制在动态视频校正中展现出优势；扩散模型则凭借稳定的训练过程和出色的细节重建能力，在静态图像恢复方面表现优异。这两类方法共同推动了强湍流场景下的校正性能提升。图7为GAN系列模型中校正效果出色的TSR-WGAN网络，表1展现了不同模型的校正结果对比。

图7 TSR-WGAN网络结构。（a） 生成器；（b） 判别器

表1 各网络的评价指标结果对比

3）基于混合架构

混合架构通过融合不同网络的优点，成为了解决复杂校正任务的有效途径。例如，Transformer与CNN的混合模型（TMT）兼顾了全局特征捕捉和局部细节恢复。这些创新使混合架构成为复杂场景下的优选方案，图8展示了混合架构下TMT 模型的校正畸变能力的优势。

图8 校正效果对比图。（a）输入图像；（b）真实目标；（c）TMT 模型输出；（d）TSR-WGAN 模型输出；（e）VRT 模型输出； （f）BasicVSR++模型输出

3

展望

大气湍流图像模拟与校正技术作为提升远距离光学系统性能的关键，已在空天探测、边境安防等领域展现出巨大潜力。展望未来，一方面，湍流模拟技术需融合更精确的物理机理与深度学习模型，在保证真实性的前提下追求更高的生成效率；另一方面，湍流校正技术需引入更强大的学习架构，并深化湍流物理规律的嵌入，同时通过结合红外、偏振等多模态数据，提升对复杂环境的适应能力，进而确保校正结果更具合理性。此外，模拟与校正技术也将发展成联合优化模型，且与硬件协同设计，构建高性能、低成本的一体化校正系统，最终推动该技术从实验室走向广泛应用。

作者简介

曹钟予，长春理工大学光学工程专业博士研究生，主要从事大气光学湍流模拟与校正研究，发表高水平SCI论文多篇。

姚海峰，北京理工大学光电学院/长三角研究院副研究员，博士生导师，同时为长春理工大学柔性兼职教授，长期从事大气激光通信与红外探测等领域研究工作，发表高水平学术论文40余篇，授权专利12件、软件著作权4件，曾入选中国科协“青年人才托举工程”，主持国家自然科学基金青年项目、博士后站前特别资助项目等多项。

郝群，教授，长春理工大学校长，国家级领军人才、国务院政府特贴专家、全国巾帼建功标兵，。主要从事光电成像与精密测试技术等领域的研究工作，已在Nature photonics 等期刊发表SCI论文300余篇，授权发明专利260余件，获省部级一等奖8项（排名第一）。目前担任中国光学学会，中国计量测试学会，中国仪器仪表学会常务理事等。

科学编辑| 曹钟予、姚海峰

编辑| 贾文斌