用于分段镜精共相的深度学习波前传感

分段主镜为超大空间望远镜的建造提供了许多至关重要的优势，这类望远镜的成像质量易受到主镜段之间的相位误差的影响。深度学习已广泛应用于光学成像和波前传感领域，包括分段镜共相。与其他基于图像的共相技术相比，深度学习具有效率高且无停滞问题的优势。然而，目前深度学习方法主要应用于粗共相阶段。

本文将深度Bi-GRU神经网络引入到分段镜的精共相，不仅具有比CNN或LSTM网络更简单的结构，还可以有效解决训练中由于长期依赖导致的梯度消失问题。通过结合相位误差（活塞和倾斜误差）、一些低阶像差以及其他实际考虑因素，Bi-GRU神经网络可以有效地用于分段镜的精共相。本文的仿真和实验证明了所提出方法的准确性和有效性。

分段镜面空间望远镜代表了未来超大口径天文望远镜的发展趋势。分段主镜是解决大型单片主镜制造和测试、运输和发射问题的有效解决方案。然而，分段镜式望远镜的成像质量在很大程度上取决于系统的对准状态，尤其是主镜段之间的相位误差。为了达到可接受的成像质量，相邻子镜之间的RMS相位误差应小于λ/40。因此，子镜同相是构建分段镜面空间望远镜的关键技术。

基于图像的同相误差传感方法最为流行，主要包括：相位检索（PR）、相位分集（PD）和曲率传感。这些方法对硬件没有特殊要求，分辨率精度高。但迭代优化过程通常比较耗时，而且容易陷入局部最小值，从而无法得到全局最优解。此外，目前应用于分段镜的深度学习波前传感方法主要用于粗共相，不适用于精共相。具体地，它们只涉及活塞误差，其他像差（倾斜/倾斜和离焦等）尚未得到全面分析。且深度卷积神经网络独特的卷积结构复杂，消耗了大量的计算机存储和计算能力。

在本文中，作者建立了一个双边门控循环单元（Bi-GRU）网络，通过学习两个PD法地强度图像来实现子孔径精共相，从而实现端到端的波前传感。由于Bi-GRU没有复杂的渐进卷积运算，运算速度比CNN快，占用计算机资源少，更容易实现。进一步地，Bi-GRU具有长时记忆，可以识别和利用图像强度之间的内在关系。

图1.Bi-GRU网络共相方法示意图。

图2.实验装置示意图。

图3.训练后用实验系统参数模拟的测试集的RMSE分布。

图4.四组独立的实验数据((a)∼(d))，用于证明所提出的使用Bi-GRU网络的相位误差传感方法的有效性。原始离焦PSF图像（第一列）和重建图像（第二列）之间的一致性表明Bi-GRU网络可以准确地预测相位像差。使用执行器校正相位误差后的聚焦PSF图像（最后一列）变得比原始聚焦PSF图像（第三列）更清晰，这进一步证明了所提出的方法在相位误差传感方面的有效性。

本文系统地讨论了Bi-GRU网络在分段镜面精共相中的应用，包括Bi-GRU网络的介绍、使用Bi-GRU网络进行相位误差感知的应用流程以及Bi-GRU网络有效性的验证（模拟和实验）。还针对18孔径分段系统的情况进行了一些其他讨论。一些结论如下：

(1)Bi-GRU网络在拟合精度和训练速度上优于其他网络。我们比较了Bi-GRU、标准RNN、深度LSTM和深度CNN在相同条件下对本文遇到的精共相问题的拟合精度。结果表明，前者具有较高的拟合精度，需要较少的训练时间。

(2)通过实际实验验证了Bi-GRU网络可用于相位误差传感，实现分段望远镜的端到端波前传感和控制。即使由于制造或初始对准存在一些残留的高阶像差，校正相位误差后的RMS波前误差也低于0.1个波。

(3)Bi-GRU网络可以成功地应用于18孔径分段镜的同相误差传感。通过增加数据集和网络深度，有效提高了Bi-GRU网络在18孔径成像系统上的精共相精度。

这项工作将有助于将深度学习应用于基于图像的波前传感和高分辨率成像。

文章链接：

https://opg.optica.org/oe/fulltext.cfm?uri=oe-29-16-25960&id=453816