基于傅里叶波前传感器的卷积神经网络非线性波前重建
天体物理仪器与方法
2020-05-22 v1
摘要
基于傅里叶的波前传感器，如金字塔波前传感器（PWFS），因其高灵敏度而成为高对比度成像的首选。然而，这些波前传感器具有内在的非线性，限制了传统线性重建方法能够准确估计入射波前像差的范围。我们提出使用卷积神经网络（CNNs）对波前传感器测量值进行非线性重建。结果表明，CNN 可用于在仿真与实验室实现中准确重建非线性。我们指出，仅使用 CNN 进行重建在模拟大气湍流下会导致次优的闭环性能。然而，研究表明，在线性模型之上使用 CNN 估计非线性误差项可改善模拟自适应光学系统的有效动态范围。更大的有效动态范围在非线性误差相关的条件下带来更高的斯特列尔比（Strehl ratio）。这将使当前及未来一代大型天文望远镜能在更广的大气条件下工作，从而减少此类设施昂贵的停机时间。
引用
@article{arxiv.2005.10560,
title = {Nonlinear wavefront reconstruction with convolutional neural networks for Fourier-based wavefront sensors},
author = {Rico Landman and Sebastiaan Haffert},
journal= {arXiv preprint arXiv:2005.10560},
year = {2020}
}
备注
14 pages, 7 figures