論文の概要: D$^2$Turb: Depth-Aware Simulation and Decoupled Learning for Single-Frame Atmospheric Turbulence Mitigation

• arxiv url: http://arxiv.org/abs/2605.27460v1
• Date: Mon, 25 May 2026 20:25:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:55.295413
• Title: D$^2$Turb: Depth-Aware Simulation and Decoupled Learning for Single-Frame Atmospheric Turbulence Mitigation
• Title（参考訳）: D$^2$Turb:単層大気乱流軽減のための深さ認識シミュレーションとデカップリング学習
• Abstract要約: 単一フレームの大気乱流の緩和は、空間的に異なるぼやけと非剛性な幾何学的歪みのために本質的に不均一である。 D$2$Turbは、物理基底シミュレーションを明示的に分離した復元でブリッジする統合フレームワークである。 このシミュレーションエンジンに基づいて、D$2$Turbは修復を2つのインタラクティブステージ(テクスチャ劣化と幾何学的整合)に分解する。
• 参考スコア（独自算出の注目度）: 17.13838108128404
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Single-frame atmospheric turbulence mitigation is inherently ill-posed due to spatially varying blur coupled with non-rigid geometric distortion. Existing end-to-end approaches trained on flat-field simulations often struggle to balance texture recovery with geometric rectification. To overcome this limitation, we propose D$^2$Turb, a unified framework that bridges physics-grounded simulation with explicitly decoupled restoration. First, we introduce a Depth-Aware Turbulence Synthesis protocol that incorporates scene depth into the phase-to-space formulation. This generates physically consistent, depth-dependent degradations and provides a crucial intermediate tilt supervision signal for disentangled learning. Building upon this simulation engine, D$^2$Turb decomposes restoration into two interactive stages: texture deblurring and geometric rectification. The texture deblurring stage employs a deblurring backbone to recover fine-grained details while preserving geometric distortion for the subsequent rectification stage. To mitigate the information fragmentation commonly observed in cascaded designs, we further propose an Adaptive Structural Prior Injection (ASPI) mechanism that dynamically transfers deep structural representations from the deblurring module to guide dense flow prediction for spatial unwarping. Extensive experiments demonstrate that D$^2$Turb achieves state-of-the-art performance on both synthetic and real-world datasets, with consistent improvements in both texture recovery and geometric fidelity. Our code and pre-trained models are publicly available at https://github.com/HertzDot222/D2Turb.
• Abstract（参考訳）: 単一フレームの大気乱流の緩和は、非剛性幾何学的歪みと結合した空間的に異なるぼやけにより本質的に不均一である。 フラットフィールドシミュレーションで訓練された既存のエンドツーエンドアプローチは、テクスチャリカバリと幾何学的整合性のバランスをとるのにしばしば苦労する。 この制限を克服するためにD$^2$Turbを提案する。 まず,空間間位相定式化にシーン深度を組み込んだDepth-Aware Turbulence Synthesisプロトコルを提案する。 これにより、物理的に一貫した深さ依存的な劣化が生じ、非絡み合い学習のための重要な中間傾傾き監視信号が提供される。 このシミュレーションエンジン上に構築されたD$^2$Turbは、修復をテクスチャ劣化と幾何学的整合という2つの対話的な段階に分解する。 テクスチャ劣化段階は、劣化したバックボーンを用いて微細な細部を復元し、その後の整形段階の幾何歪みを保存する。 ケースドデザインでよく見られる情報断片化を緩和するために,デブロアリングモジュールから深部構造表現を動的に転送し,空間的アンウォープのための密流予測を導出する適応構造優先注入(ASPI)機構を提案する。 大規模な実験により、D$^2$Turbは、テクスチャの回復と幾何学的忠実性の両面で一貫した改善とともに、合成と実世界の両方のデータセット上で最先端のパフォーマンスを達成することが示された。 私たちのコードと事前トレーニングされたモデルは、https://github.com/HertzDot222/D2Turb.comで公開されています。

関連論文リスト

• Reliability-Aware 3D Geometric Injection for Universal Person Re-identification [47.874819213762926]
  本稿では,一貫性を考慮した信頼性ゲートとDual-Stream Residual Fusionによって駆動されるUniversal Monocular 3D-Enhanced ReIDフレームワークを提案する。 本手法は,クリーンドメイン上での競合性能を維持しながら,難易度,構造に敏感なシナリオを改善する。
  論文  参考訳（メタデータ） (2026-07-21T08:54:25Z)
• FlowObject: Flow Steering for Bridging Generative Priors and Reconstruction Fidelity [34.142288038459704]
  FlowObjectは、スパースビューの3D再構成をトレーニング不要でガイド付き逆問題として再構成するフレームワークである。 提案手法は、幾何学的完全性およびビュー依存外観忠実度の両方において、最先端の生成モデルと最適化に基づくフレームワークを著しく上回る。
  論文  参考訳（メタデータ） (2026-06-17T12:42:09Z)
• Learning Interface Breakup: A Geometry-Conditioned Latent Surrogate for Spray Formation [16.92031035309742]
  アダプティブメッシュリファインメント(AMR)を用いた高忠実ボリューム・オブ・フルード(VOF)シミュレーションは、反復的な設計探索には高すぎる。 我々は,AMRセル密度場を符号化することにより,この問題に対処する797個の2相ノズルシミュレーションで訓練した幾何学条件付潜水剤を提案する。 ホールドアウトシミュレーションでは、1軌道当たり0.045秒まで推論時間を削減するとともに、キーインターフェースのダイナミクスを正確にキャプチャする。
  論文  参考訳（メタデータ） (2026-06-15T11:32:36Z)
• GARDEN: Gravity-Aligned Reconstruction of Disentangled ENvironments from RGB images [61.2170105836525]
  本稿では,RGBのみのフレームワークを提案する。このフレームワークは,再構成を物理的に地上に配置したシーンファクタ化として再構成し,構造化されたハイブリッドシーン表現を出力する。 結果として得られる表現は、明示的な剛体と分離された背景を組み合わせることで、視覚的リアリズムを維持しながら直接物理シミュレーションを可能にする。
  論文  参考訳（メタデータ） (2026-06-02T17:13:01Z)
• GeoRect4D: Geometry-Compatible Generative Rectification for Dynamic Sparse-View 3D Reconstruction [16.448484686109992]
  マルチビュービデオからダイナミックな3Dシーンを再構築することは、しばしば幾何学的な崩壊、軌道のドリフト、浮き彫りのアーティファクトに繋がる、非常に不適切である。 最近の試みでは、欠落したコンテンツに幻覚を与える遺伝子前駆体を導入しているが、ナイーブな統合はしばしば構造的ドリフトと時間的不整合を引き起こす。 そこで本稿では, 疎視動的再構成のための新しい統合フレームワークであるGeoRect4Dを提案する。
  論文  参考訳（メタデータ） (2026-04-22T17:12:02Z)
• StdGEN++: A Comprehensive System for Semantic-Decomposed 3D Character Generation [57.06461272772509]
  StdGEN++は、多種多様な入力から高忠実で意味的に分解された3D文字を生成するための、新しく包括的なシステムである。 最先端の性能を達成し、幾何学的精度と意味的絡み合いにおいて既存の手法を著しく上回っている。 結果として、非破壊的な編集、物理学に準拠したアニメーション、視線追跡など、より進んだ下流の機能をアンロックする。
  論文  参考訳（メタデータ） (2026-01-12T15:41:27Z)
• UniSH: Unifying Scene and Human Reconstruction in a Feed-Forward Pass [83.7071371474926]
  UniSHは、統合されたフィードフォワードフレームワークで、共同でメートルスケールの3Dシーンと人間の再構築を行う。 我々のフレームワークは、シーン再構築とHMRとの違いを強く橋渡しします。 本モデルは,人間中心のシーン再構築における最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2026-01-03T16:06:27Z)
• Reconstructing Multi-Scale Physical Fields from Extremely Sparse Measurements with an Autoencoder-Diffusion Cascade [38.28865883904372]
  Cascaded Sensing (Cas-Sensing)は、自動エンコーダ拡散カスケードを統合する階層的な再構築フレームワークである。 マスクカスケード戦略で訓練された条件拡散モデルにより,大規模構造物に条件付された微細な詳細情報を生成する。 シミュレーションと実世界のデータセットの両方の実験により、Cas-Sensingは様々なセンサー構成と幾何学的境界をまたいでうまく一般化することを示した。
  論文  参考訳（メタデータ） (2025-12-01T11:46:14Z)
• Rethinking Multimodal Point Cloud Completion: A Completion-by-Correction Perspective [8.276620253870338]
  ポイント雲の完成は、部分的な観測から完全な3次元形状を再構築することを目的としている。 ほとんどのメソッドは、いまだにCompletion-by-Inpaintingパラダイムに従っている。 完全形状から始まるコンプリーション・バイ・コレクション(Completion-by-Correction)を提案する。
  論文  参考訳（メタデータ） (2025-11-15T11:51:13Z)
• HBSplat: Robust Sparse-View Gaussian Reconstruction with Hybrid-Loss Guided Depth and Bidirectional Warping [11.035994094874141]
  HBSplatは、堅牢な構造的キュー、仮想ビュー制約、隠蔽された領域補完をシームレスに統合するフレームワークである。 HBSplatは21.13dBのPSNRと0.189LPIPSを達成し、リアルタイム推論を維持している。
  論文  参考訳（メタデータ） (2025-09-29T15:03:31Z)
• StableGS: A Floater-Free Framework for 3D Gaussian Splatting [9.935869165752283]
  3D Gaussian Splatting(3DGS)の復元は、その幾何学的および視覚的忠実さを低下させるスタバボーンフローター(stbborn floater)のアーティファクトに悩まされている。 最終的な外観レンダリングから幾何正規化を分離する新しいフレームワークであるStableGSを提案する。 複数のベンチマークの実験では、StableGSはフローターを除去するだけでなく、一般的なぼやけたアーチファクトのトレードオフも解決している。
  論文  参考訳（メタデータ） (2025-03-24T09:02:51Z)
• PhyRecon: Physically Plausible Neural Scene Reconstruction [81.73129450090684]
  PHYRECONは、微分可能なレンダリングと微分可能な物理シミュレーションの両方を利用して暗黙的な表面表現を学習する最初のアプローチである。 この設計の中心は、SDFに基づく暗黙の表現と明示的な表面点の間の効率的な変換である。 また,物理シミュレータの安定性も向上し,全データセットに対して少なくとも40%の改善が得られた。
  論文  参考訳（メタデータ） (2024-04-25T15:06:58Z)
• 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)
• Degradation-Aware Unfolding Half-Shuffle Transformer for Spectral Compressive Imaging [142.11622043078867]
  圧縮画像と物理マスクからパラメータを推定し,これらのパラメータを用いて各イテレーションを制御する,DAUF(Degradation-Aware Unfolding Framework)を提案する。 HST を DAUF に接続することにより,HSI 再構成のための変換器の深部展開法であるデグレーション・アウェア・アンフォールディング・ハーフシャッフル変換器 (DAUHST) を確立した。
  論文  参考訳（メタデータ） (2022-05-20T11:37:44Z)

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。