北航白相志教授团队在《Nature》子刊《Nature Machine Intelligence》（2021年第10期）以全文Article形式刊发了最新研究成果“Neutralizing the impact of atmospheric turbulence on complex scene imaging via deep learning”，提出了一种基于多尺度时空域注意力机制的生成对抗网络模型，逆向推理大气湍流效应导致的二维成像退化过程，揭示了深度学习在推演复杂随机物理过程方面的潜力。

大气湍流效应广泛存在于日常生活和工业生产中。在大雷诺数、惯性力对流场影响为主导的情况下，流体失稳并分化为尺度不一的湍涡，形成湍流。在高分对地观测、远距离成像探测、大范围安防监测等应用中，湍流使得大气折射率随时间和空间作无规则变化，导致光在传输过程中发生强度、相位和方向性波动，最终成像结果包含高度耦合的时变-空变模糊和几何畸变退化（图1）。而湍流的各向异性、不均匀性和不确定性，使得上述退化过程高度病态、高度非线性。因此，对这一物理过程进行逆向推理、抵消成像过程中大气湍流引起的退化效应是一项巨大挑战。

图1. 大气湍流效应下成像退化物理过程示意图

内容中包含的图片若涉及版权问题，请及时与我们联系删除