中国科学院南京天文光学技术研究所机构知识库

自适应光学系统的校正性能受波前传感器空间采样分辨率、探测精度、闭环控制带宽以及波前校正器自由度等因素共同制约。随着下一代极大望远镜口径的持续增长，系统所需校正的自由度数目急剧增加，对波前探测的空间分辨率提出了前所未有的要求。然而，在应用最为广泛的夏克-哈特曼波前传感器中，提升空间采样分辨率需要缩小子孔径尺寸，由此带来的光子通量显著下降容易引起信噪比恶化，使得子孔径密度与探测精度之间存在着难以兼顾的制约关系。超分辨率波前重构技术旨在缓解子孔径物理尺寸与波前采样分辨率之间的传统耦合约束，在维持较大子孔径尺寸的前提下，复原出超越传统斜率法采样极限的高阶波前信息。本文围绕物理先验与深度学习融合的超分辨率波前重构技术，在基于物理先验知识的神经网络架构设计、模型的物理可解释性以及面向通用计算平台的轻量化部署三个层面开展了研究，主要工作和创新成果如下。
(1)提出了一种基于频域滤波的超分辨率波前重构神经网络，即Frequencydomain Filtering-Based Net(FF-Net)。从傅里叶光学的角度出发，建立了从入射波前到夏克-哈特曼波前传感器子孔径焦平面光斑强度分布的完整数学模型，对线性近似、可分离二次相位和一般二次相位三种典型子波前状态下的光斑频谱进行了严格的解析推导，揭示了高阶像差通过sinc调制因子在光斑振幅频谱中产生各向异性编码的物理机制。基于这一频域分析结论，设计了以Gabor卷积层为核心的频域滤波神经网络FF-Net，利用Gabor滤波器固有的频率、方向联合选择特性替代标准卷积核，为网络提供了与光斑频谱各向异性特征相匹配的先验
约束。在8×8微透镜阵列、𝐷/𝑟0=24的基准测试中，FF-Net的残差波前平均均方根值为43.2 nm，较标准卷积神经网络SH-CNN降低了26.54%，表明频域物理先验约束能够提升网络对高阶像差编码信息的提取效率。
(2)提出了一种基于连续小波变换的超分辨率波前重构神经网络，即SHWaveletKernelNet(SH-WKN)。从卷积神经网络卷积运算与二维连续小波变换的数学同构性出发，论证了标准卷积神经网络可被视为丧失了结构约束的退化小波变换，提出了仅由尺度因子和旋转角度两个物理参数控制的连续小波卷积层，用参数化的小波基函数替代自由参数卷积核。频域可视化分析揭示了各向异性Morlet小波核与湍流弥散光斑频谱特征之间的物理匹配机制。在12×12微透镜阵列、四倍于子孔径数的超分辨率波前重构任务中，基于Morlet小波的SHMorletNet残差波前均方根均值为68.2 nm，较SH-CNN提升了21.97%。基于各向异性Morlet小波核的SH-MorletNet优于基于各向同性Mexican Hat小波核的SH-MexhatNet，从小波理论的视角进一步印证了各向异性是匹配光斑频谱物理特征的关键因素。正交双参数体系使得对网络所学特征的物理解读可以沿尺度和方向两个维度独立展开，提供了标准卷积核和Gabor卷积核均无法给予的可解释性优势。(3)提出了一种面向CPU平台的轻量化超分辨率波前重构神经网络，即SHSeparable WaveletKernelNet(SH-SWKN)。借鉴Mallat算法对行和列分别执行一维小波滤波的计算范式，将二维小波卷积分解为行方向与列方向独立执行的一维小波核卷积，结合1×1逐点卷积的通道压缩设计，大幅降低了模型的参数量和计算复杂度。SH-SWKN的参数量仅为对比方法的6.77%，浮点运算量仅为对比方法的21.73%至26.12%。训练后通过核冻结机制消除了推理阶段的动态核生成开销，配合OpenVINO推理引擎的CPU优化，在Intel Xeon E5-2683 v4处理器上实现了单精度浮点数下3.06 ms的单帧推理延迟，较对比方法加速了3.48至3.90倍。混合湍流训练策略的评估实验表明，该策略在强湍流条件下可使各模型的残差波前均方根均值降低6%至13%，标准差缩减40%至48%，有效拓展了模型的泛化边界。SH-SWKN以有限的精度代价换取了显著的计算效率提升，为以CPU为核心计算平台的现役AO系统在不增加GPU硬件的前提下部署基于深度学习的超分辨率波前重构算法提供了一种可行的技术方案。
(4)搭建了基于空间光调制器的超分辨率波前重构实验系统，对上述三种算法进行了实验验证。实验结果表明，各算法在实验数据上的性能排序与仿真实验一致，所有基于物理先验驱动的参数化卷积核方法在实验条件下均优于纯数据驱动的标准卷积神经网络，证实了将光斑频域物理特性融入网络设计这一核心思想在实际光学系统中的有效性。此外，通过不同大气湍流强度条件下的对比测试，评估了各算法的泛化性能与鲁棒性。实验结果验证了本文所提算法在受控实验条件下的有效性，为进一步面向实际天文自适应光学系统开展针对性适配与闭环验证提供了实验依据。
综上所述，本文围绕物理先验与深度学习融合的超分辨率波前重构技术，构建了从频域物理先验驱动的网络架构设计到可解释性提升再到轻量部署的完整技术体系，并通过光学实验验证了所提方法的有效性。本文的研究成果为高分辨率波前探测提供了新的理论方法和实验参考，所提方法能够在不增加硬件复杂度的前提下提升波前重构的分辨率以及重构精度。为系外行星直接成像、银河系中心精细结构观测等前沿天文科学目标的实现提供了技术储备。