GSTurb: Gaussian Splatting for Atmospheric Turbulence Mitigation

📄 arXiv: 2602.22800 📥 PDF

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

分类: cs.CV

发布日期: 2026-02-28

💡 一句话要点

GSTurb：利用高斯溅射进行大气湍流缓解，提升长距离成像质量。

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

关键词: 大气湍流缓解 高斯溅射 光流引导 图像复原 长距离成像

📋 核心要点

  1. 长距离成像受大气湍流影响，导致图像出现倾斜和模糊，现有方法难以有效建模非等晕模糊。
  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模糊，实现图像恢复。
  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的质量。

📝 摘要（中文）

本文提出了一种用于缓解大气湍流的新框架GSTurb，大气湍流会导致图像像素位移（倾斜）和模糊，尤其是在长距离成像应用中。GSTurb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。该框架利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的改进。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。该方法的代码将在指定网址提供。

🔬 方法详解

问题定义：大气湍流会导致图像质量严重下降，尤其是在长距离成像中，表现为像素位移（倾斜）和模糊。现有的图像复原方法难以有效地处理这种由大气湍流引起的非等晕模糊，导致复原效果不佳。因此，如何准确建模和消除大气湍流的影响是亟待解决的问题。

核心思路：本文的核心思路是将大气湍流的影响分解为倾斜和模糊两个部分，并分别进行处理。对于倾斜，采用光流引导的方法进行校正；对于模糊，则利用高斯溅射进行建模。通过联合优化高斯参数，可以有效地恢复受大气湍流影响的图像。这种分解处理的思路能够更精确地捕捉大气湍流的复杂特性。

技术框架：GSTurb框架主要包含两个阶段：倾斜校正和模糊建模。首先，利用光流算法估计图像的倾斜程度，并进行校正。然后，使用高斯溅射来表示图像的模糊程度，并通过优化高斯参数来恢复清晰的图像。整个框架通过迭代优化，逐步消除大气湍流的影响。

关键创新：该方法最关键的创新在于将高斯溅射引入到大气湍流缓解中。高斯溅射能够有效地建模非等晕模糊，从而更准确地表示大气湍流的影响。与传统的图像复原方法相比，GSTurb能够更好地处理复杂的湍流情况，并获得更高的复原质量。

关键设计：在倾斜校正阶段，采用了光流引导的方法，能够准确地估计像素的位移。在高斯溅射阶段，通过优化高斯分布的参数（如均值和方差）来拟合图像的模糊程度。损失函数的设计也至关重要，需要综合考虑图像的清晰度、结构相似性和颜色一致性等因素。具体的参数设置和网络结构在论文中有详细描述。

📊 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%）。在真实数据集TSRWGAN Real-World和CLEAR上，GSTurb也表现出优越的性能，证明了其在实际应用中的有效性。

🎯 应用场景

该研究成果可广泛应用于长距离监控、遥感成像、天文观测等领域。通过消除大气湍流的影响，可以提高图像的清晰度和可识别性，从而提升相关应用的性能和可靠性。未来，该方法有望应用于实时视频处理，为更广泛的场景提供高质量的图像数据。

📄 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 atthis https URL.