GSTurb: Gaussian Splatting for Atmospheric Turbulence Mitigation

📄 arXiv: 2602.22800v1 📥 PDF

作者: Hanliang Du, Zhangji Lu, Zewei Cai, Qijian Tang, Qifeng Yu, Xiaoli Liu

分类: cs.CV

发布日期: 2026-02-26

🔗 代码/项目: GITHUB

💡 一句话要点

GSTurb：利用高斯溅射缓解大气湍流引起的图像退化

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 大气湍流 图像恢复 高斯溅射 光流 非等晕模糊

📋 核心要点

  1. 长距离成像中，大气湍流导致图像质量严重下降，主要表现为像素位移（倾斜）和模糊。
  2. GSTurb框架结合光流引导的倾斜校正和高斯溅射，利用高斯参数建模倾斜和非等晕模糊。
  3. 实验结果表明，GSTurb在合成和真实数据集上均优于现有方法，显著提升了图像恢复质量。

📝 摘要（中文）

本文提出了一种用于缓解大气湍流的新框架GSTurb，该框架集成了光流引导的倾斜校正和高斯溅射，用于建模非等晕模糊。该框架采用高斯参数来表示倾斜和模糊，并通过跨多个帧优化这些参数来增强图像恢复效果。在ATSyn-static数据集上的实验结果表明了该方法的有效性，峰值PSNR达到27.67 dB，SSIM达到0.8735。与最先进的方法相比，GSTurb的PSNR提高了1.3 dB（增长4.5%），SSIM提高了0.048（增长5.8%）。此外，在包括TSRWGAN Real-World和CLEAR数据集在内的真实数据集上，GSTurb也优于现有方法，在定性和定量性能上均表现出显著提升。这些结果表明，将光流引导的倾斜校正与高斯溅射相结合，可以有效地增强合成和真实湍流条件下的图像恢复效果。该方法的代码可在https://github.com/DuhlLiamz/3DGS_turbulence/tree/main 获取。

🔬 方法详解

问题定义：大气湍流会导致图像出现倾斜和模糊，尤其是在长距离成像中，这严重影响了图像质量。现有的方法在处理非等晕模糊时效果不佳，难以有效恢复图像细节。因此，需要一种能够有效处理大气湍流引起的图像退化，特别是倾斜和非等晕模糊的方法。

核心思路：GSTurb的核心思路是将光流引导的倾斜校正与高斯溅射相结合。光流用于估计和校正图像的倾斜，而高斯溅射则用于建模和恢复非等晕模糊。通过联合优化高斯参数，可以有效地表示和校正湍流引起的图像退化。这种方法能够更准确地捕捉大气湍流的复杂特性，从而实现更好的图像恢复效果。

技术框架：GSTurb框架主要包含两个关键模块：光流引导的倾斜校正模块和基于高斯溅射的模糊建模模块。首先，利用光流算法估计相邻帧之间的像素位移，从而校正图像的倾斜。然后，使用高斯溅射来表示和建模非等晕模糊。最后，通过优化高斯参数，实现图像的恢复。整个流程是一个迭代优化过程，通过不断调整高斯参数，逐步提高图像的清晰度和细节。

关键创新：GSTurb的关键创新在于将高斯溅射应用于大气湍流的建模和校正。与传统的图像恢复方法相比，高斯溅射能够更灵活地表示复杂的模糊模式，从而更好地适应非等晕模糊的特性。此外，通过光流引导的倾斜校正，可以有效地消除图像的倾斜，进一步提高图像恢复的质量。

关键设计：在GSTurb中，高斯参数包括位置、协方差矩阵和颜色等。这些参数通过优化算法进行调整，以最小化恢复图像与原始图像之间的差异。损失函数的设计至关重要，通常包括重建损失、正则化损失等。此外，光流算法的选择和参数设置也会影响倾斜校正的效果。具体而言，可能采用了L1损失或L2损失来衡量重建误差，并使用TV正则化来约束高斯参数，防止过拟合。

📊 实验亮点

GSTurb在ATSyn-static数据集上取得了显著的性能提升，PSNR达到27.67 dB，SSIM达到0.8735，相较于现有最佳方法，PSNR提升了1.3 dB（4.5%），SSIM提升了0.048（5.8%）。在TSRWGAN Real-World和CLEAR等真实数据集上的实验也表明，GSTurb在定性和定量方面均优于现有方法，证明了其在实际应用中的有效性。

🎯 应用场景

GSTurb技术可应用于各种长距离成像场景，例如遥感图像处理、安防监控、天文观测等。通过有效缓解大气湍流引起的图像退化，可以提高图像的清晰度和可识别性，从而提升相关应用系统的性能和可靠性。该技术还有潜力应用于视频监控、自动驾驶等领域，改善恶劣天气条件下的视觉感知效果。

📄 摘要（原文）

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.