基于双光斑的深度学习波前复原及校正

探索了深度学习算法求解光强反演波前的非线性映射,实现了基于深度学习的波前探测(DLWFS)在自适应光学波前校正中的应用。采用聚焦和离焦双光斑反演波前,既简化了探测器结构,又减小了探测器体积。由于光强反演波前的过程在物理上不存在显式解,因此可以利用深度学习模型cGAN,通过类似图像处理的方式,建立光强-相位的非线性映射,将光斑的强度分布反演为波前分布,最终使波前校正系统配备较为紧凑的波前探测器。训练数据集通过物理衍射仿真获得,模型在测试集上的波前复原的最小残差RMS<0.3 μm。在实验中,DLWFS与参考哈特曼波前探测器波前的残差RMS在0.0965~0.1531 μm之间。在自适应光学波前校正实验中,将DLWFS作为自适应光学闭环校正过程中的波前探测器,验证了DLWFS的实用效果,光束质量因子从10.83校正至3.61。此外,还讨论了DLWFS的参数敏感性。