論文の概要: Deep Learning for Atmospheric Turbulence Mitigation: A Comparison Between GANs and Transformers

• arxiv url: http://arxiv.org/abs/2610.19274v1
• Date: Tue, 13 Oct 2026 22:50:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.837106
• Title: Deep Learning for Atmospheric Turbulence Mitigation: A Comparison Between GANs and Transformers
• Title（参考訳）: 大気乱流緩和のための深層学習:GANと変圧器の比較
• Abstract要約: 本研究では,GAN(Generative Adversarial Networks)とTransformerベースのモデルという,乱流低減のための2つのディープラーニング手法を比較する。 GANベースのモデルは、高度に劣化した低品質な状況で、Transformerベースのモデルは、中程度から高品質な設定でより良い結果を得る。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Atmospheric turbulence creates complex spatial and temporal distortions that significantly reduce image quality. This work compares two deep learning methods for turbulence reduction: Generative Adversarial Networks (GANs) and Transformer-based models. Both methods are trained and tested on the SOTIS dataset, which includes multi-frame sequences under different turbulence conditions with ground truth references. Our results show an important finding: GAN-based models perform better in severely degraded, low-quality situations, while Transformer-based models achieve better results in moderate to high-quality settings, especially in correcting geometric distortions. We also enhance the Turbulence Mitigation Transformer (TMT) by introducing a refined training strategy, an augmented input design that includes a temporally averaged frame as prior structural information, and a modified loss function that incorporates the Structural Similarity Index (SSIM). These improvements lead to consistent performance gains across various turbulence conditions. Overall, this study provides an in-depth evaluation of deep learning methods for turbulence reduction and offers practical guidance for selecting models in different imaging environments.
• Abstract（参考訳）: 大気圧は複雑な空間的・時間的歪みを生じさせ、画質を著しく低下させる。 本研究では,GAN(Generative Adversarial Networks)とTransformerベースのモデルという,乱流低減のための2つのディープラーニング手法を比較する。 どちらの手法もSOTISデータセット上でトレーニングされ、テストされる。 GANベースのモデルでは、高度に劣化した低品質な状況で、Transformerベースのモデルは、特に幾何歪みの補正において、中程度から高品質な設定で、より良い結果が得られる。 また、改良されたトレーニング戦略、時間平均フレームを事前構造情報として含む拡張された入力設計、構造類似度指数(SSIM)を組み込んだ改良された損失関数を導入することで、乱流緩和変換器(TMT)を強化した。 これらの改善により、様々な乱流条件における一貫した性能向上がもたらされる。 本研究は, 乱流低減のための深層学習手法の詳細な評価を行い, 異なる画像環境におけるモデル選択のための実践的ガイダンスを提供する。

関連論文リスト

• TopoCurate:Modeling Interaction Topology for Tool-Use Agent Training [53.93696896939915]
  訓練用ツール使用エージェントは一般的に、パスレート選択されたタスクに対して、軌道変更の成功と強化学習(RL)に依存している。 TopoCurateは,同一タスクから多段階的なロールアウトを統一的な意味的商トポロジに投影する対話型フレームワークである。 TopoCurateは最先端のベースラインに対して4.2%(SFT)と6.9%(RL)という一貫したゲインを達成している。
  論文  参考訳（メタデータ） (2026-03-02T10:38:54Z)
• Learning on Transformers is Provable Low-Rank and Sparse: A One-layer Analysis [63.66763657191476]
  低ランク計算としての効率的な数値学習と推論アルゴリズムはトランスフォーマーに基づく適応学習に優れた性能を持つことを示す。 我々は、等級モデルが適応性を改善しながら一般化にどのように影響するかを分析する。 適切なマグニチュードベースのテストは,テストパフォーマンスに多少依存している,と結論付けています。
  論文  参考訳（メタデータ） (2024-06-24T23:00:58Z)
• 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)
• 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)
• Imaging through the Atmosphere using Turbulence Mitigation Transformer [15.56320865332645]
  大気の乱流によって歪んだ画像の復元は、長距離イメージングの応用において、ユビキタスな問題である。 既存のディープラーニングベースの手法は、特定のテスト条件において有望な結果を示している。 本稿では,これらの問題に対処する乱流緩和トランス (TMT) を提案する。
  論文  参考訳（メタデータ） (2022-07-13T18:33:26Z)
• Learning to Restore a Single Face Image Degraded by Atmospheric Turbulence using CNNs [93.72048616001064]
  このような条件下で撮影された画像は、幾何学的変形と空間のぼかしの組合せに悩まされる。 乱流劣化顔画像の復元問題に対する深層学習に基づく解法を提案する。
  論文  参考訳（メタデータ） (2020-07-16T15:25:08Z)

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。