《使用机器学习补偿军事系统的目标图像畸变》2022最新64页论文，美国海军研究生院

高能激光(HEL)系统在对射程外的目标进行定位时，很容易受到大气湍流的影响。目前的HEL系统使用波前传感器和复杂的自适应光学系统来补偿这些畸变。本论文的主要目的是研究使用机器学习算法的目标图像像差补偿技术，消除对复杂的波前传感硬件的需要。目标图像将从高能激光光束控制研究试验台（HBCRT）获得，图像像差将被模拟，以提供必要的数据集来训练和验证图像像差补偿方法。这些技术的性能将被评估为军事成像应用。

高能激光（HEL）平台可以证明是舰载防御无人驾驶飞行器的重要系统，因为HEL的弹仓深度大，成本低[1]。然而，HEL系统必须瞄准无人机的特定位置以达到最佳破坏效果。这一要求导致需要对目标进行精确成像以确定最佳瞄准点。图像的清晰度会因为HEL系统和目标之间的大气湍流而降低。为了补偿这些大气畸变，目前的HEL系统使用波前传感器和自适应光学系统（AO）来测量大气畸变并改变激光的聚焦方式。这些系统的制造成本很高，并增加了HEL系统的复杂性。人工神经网络的发展为补偿大气像差提供了可能，而无需使用复杂的波前传感器。

本论文的目的是研究如何使用深度学习模型来补偿无人机图像中的大气像差。首先，将通过一种称为盲去卷积的经典去模糊技术来设定性能基线。然后，基线性能将与两个最先进的深度学习模型（U-Net和DeblurGAN）的性能进行比较。

本论文在第二章将首先概述HEL系统、AO和人工智能（AI）以及深度学习（DL）。第三章进一步介绍了DL模型如何应用于HEL系统的像差补偿。第四章将介绍模型的训练和实现过程，第五章将讨论模型的性能结果。最后，第六章将总结已完成的研究，并提供未来工作的方向。