論文の概要: GSTurb: Gaussian Splatting for Atmospheric Turbulence Mitigation

• arxiv url: http://arxiv.org/abs/2602.22800v1
• Date: Thu, 26 Feb 2026 09:37:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-27 18:41:22.624006
• Title: GSTurb: Gaussian Splatting for Atmospheric Turbulence Mitigation
• Title（参考訳）: GSTurb:大気乱流緩和のためのガウス散乱
• Authors: Hanliang Du, Zhangji Lu, Zewei Cai, Qijian Tang, Qifeng Yu, Xiaoli Liu,
• Abstract要約: 大気の乱流は、特に長距離イメージングの用途において、ピクセルの変位(チルト)とぼやけによる画像劣化を引き起こす。 我々は,光流誘導型傾き補正とガウススプラッティングを統合した大気乱流緩和フレームワークGSTurbを提案する。
• 参考スコア（独自算出の注目度）: 4.479376052925207
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Atmospheric turbulence causes significant image degradation due to pixel displacement (tilt) and blur, particularly in long-range imaging applications. In this paper, we propose a novel framework for atmospheric turbulence mitigation, GSTurb, which integrates optical flow-guided tilt correction and Gaussian splatting for modeling non-isoplanatic blur. The framework employs Gaussian parameters to represent tilt and blur, and optimizes them across multiple frames to enhance restoration. Experimental results on the ATSyn-static dataset demonstrate the effectiveness of our method, achieving a peak PSNR of 27.67 dB and SSIM of 0.8735. Compared to the state-of-the-art method, GSTurb improves PSNR by 1.3 dB (a 4.5% increase) and SSIM by 0.048 (a 5.8% increase). Additionally, on real datasets, including the TSRWGAN Real-World and CLEAR datasets, GSTurb outperforms existing methods, showing significant improvements in both qualitative and quantitative performance. These results highlight that combining optical flow-guided tilt correction with Gaussian splatting effectively enhances image restoration under both synthetic and real-world turbulence conditions. The code for this method will be available at https://github.com/DuhlLiamz/3DGS_turbulence/tree/main.
• Abstract（参考訳）: 大気の乱流は、特に長距離イメージングの用途において、ピクセルの変位(チルト)とぼやけによる画像劣化を引き起こす。 本稿では,光流誘導型傾き補正とガウススプラッティングを統合した大気乱流緩和フレームワークGSTurbを提案する。 このフレームワークは傾きとぼやけを表すためにガウスのパラメータを使用し、復元を強化するために複数のフレームにわたってそれらを最適化する。 ATSyn静電データセットによる実験結果から,本手法の有効性が示され,最大PSNRは27.67dB,SSIMは0.8735となった。 最先端の手法と比較して、GSTurbはPSNRを1.3dB(4.5%増加)、SSIMを0.048(5.8%増加)改善する。 さらに、TSRWGAN Real-WorldとCLEARデータセットを含む実際のデータセットでは、GSTurbは既存の手法よりも優れており、質的および定量的なパフォーマンスの両方で大幅に改善されている。 これらの結果から,光流動誘導型傾き補正とガウススプラッティングを組み合わせることで,合成および実世界の乱流条件下での画像復元が効果的に促進されることが示唆された。 このメソッドのコードはhttps://github.com/DuhlLiamz/3DGS_turbulence/tree/mainで入手できる。

関連論文リスト

• Physics-Guided Rectified Flow for Low-light RAW Image Enhancement [0.0]
  低照度条件下で撮影されたRAW画像の強調は難しい作業である。 近年の深層学習に基づくRAW強化手法は, 実際のペアデータから, 合成データセットへの依存へと移行している。
  論文  参考訳（メタデータ） (2025-09-10T07:08:43Z)
• How to Augment for Atmospheric Turbulence Effects on Thermal Adapted Object Detection Models? [1.534667887016089]
  大気の乱流は物体検出モデルの性能に重大な課題をもたらす。 本稿では, 熱適応型および深層学習に基づく物体検出モデルの精度とロバスト性を向上させるため, 乱流画像強調手法の有効性について検討する。
  論文  参考訳（メタデータ） (2024-05-10T10:44:29Z)
• DGNet: Dynamic Gradient-Guided Network for Water-Related Optics Image Enhancement [77.0360085530701]
  水中画像強調(UIE)は、水中環境によって引き起こされる複雑な劣化のために難しい課題である。 従来の手法では、劣化過程を理想化し、中音や物体の動きが画像の特徴の分布に与える影響を無視することが多い。 提案手法では,予測画像を用いて疑似ラベルを動的に更新し,動的勾配を加えてネットワークの勾配空間を最適化する。
  論文  参考訳（メタデータ） (2023-12-12T06:07:21Z)
• Physics-Driven Turbulence Image Restoration with Stochastic Refinement [80.79900297089176]
  大気乱流による画像歪みは、長距離光学画像システムにおいて重要な問題である。 ディープラーニングモデルが現実世界の乱流条件に適応するために、高速で物理学的なシミュレーションツールが導入された。 本稿では,物理統合復元ネットワーク(PiRN)を提案する。
  論文  参考訳（メタデータ） (2023-07-20T05:49:21Z)
• AT-DDPM: Restoring Faces degraded by Atmospheric Turbulence using Denoising Diffusion Probabilistic Models [64.24948495708337]
  大気の乱流は、ぼやけや幾何学的歪みを導入して画質を著しく劣化させる。 CNNベースやGANインバージョンベースなど,深層学習に基づく単一画像大気乱流低減手法が提案されている。 Denoising Diffusion Probabilistic Models (DDPMs) は、その安定したトレーニングプロセスと高品質な画像を生成する能力により、最近注目を集めている。
  論文  参考訳（メタデータ） (2022-08-24T03:13:04Z)
• Single Frame Atmospheric Turbulence Mitigation: A Benchmark Study and A New Physics-Inspired Transformer Model [82.23276183684001]
  本研究では,大気乱流の画像化のための物理インスピレーション付き変圧器モデルを提案する。 提案ネットワークは変圧器ブロックのパワーを利用して動的乱流歪みマップを共同で抽出する。 そこで本研究では,従来の客観的指標と,テキスト認識精度を用いたタスク駆動計測の両方で評価可能な,実世界の乱流データセットを新たに2つ提示する。
  論文  参考訳（メタデータ） (2022-07-20T17:09:16Z)
• SAR Despeckling using a Denoising Diffusion Probabilistic Model [52.25981472415249]
  スペックルの存在は画像品質を劣化させ、SAR画像理解アプリケーションの性能に悪影響を及ぼす。 本稿では,SAR脱種のための拡散確率モデルであるSAR-DDPMを紹介する。 提案手法は, 最先端の切り離し法と比較して, 定量化と定性化の両面で有意な改善を実現している。
  論文  参考訳（メタデータ） (2022-06-09T14:00:26Z)
• Designing a Practical Degradation Model for Deep Blind Image Super-Resolution [134.9023380383406]
  単一画像スーパーレゾリューション (sisr) 法は, 推定劣化モデルが実画像から逸脱した場合はうまく動作しない。 本稿では, ランダムにシャッフルされたブラー, ダウンサンプリング, ノイズ劣化からなる, より複雑で実用的な劣化モデルを提案する。
  論文  参考訳（メタデータ） (2021-03-25T17:40:53Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。