浙江大学郝翔教授：Shack-Hartmann波前传感器的前沿突破 | 封面

Shack-Hartmann波前传感器是一种测量光波波前分布的波前传感器件，广泛应用于天文学、生物显微、眼科医学、激光光束整形和光学元件检测等领域。浙江大学郝翔教授团队发表于《光学学报》第45卷21期的封面文章“Shack‒Hartmann波前传感器研究进展及应用”综述了Shack-Hartmann波前传感器的性能提升及进展，并重点介绍超表面和深度学习在Shack-Hartmann波前传感器中的应用，总结了Shack-Hartmann波前传感器在自适应光学、光学元件检测等领域的应用，并对其发展方向和应用前景进行展望。

封面解读

封面展示了Shack-Hartmann波前传感器的波前探测原理，微透镜阵列将入射光进行分束后由探测器捕获每一个子束形成的聚焦斑点。Shack-Hartmann波前传感器以实时性强、结构紧凑、易于集成等优点，广泛应用于天文学、生物显微、眼科医学、激光光束整形和光学元件检测等领域。近年来，深度学习和超表面等新兴技术的融入有望进一步打破Shack-Hartmann波前传感器在原理和器件上的限制。

文章链接：于千茜, 李阳阳, 秦明, 郝翔. Shack‒Hartmann波前传感器研究进展及应用（特邀）[J]. 光学学报, 2025, 45(21): 2100001.

图1 Shack-Hartmann波前传感器结构示意图与测量原理

Shack-Hartmann波前传感器的基本测量原理如图1所示，透镜阵列将入射光分成若干子光束，各自聚焦在探测器上。若波前无畸变，光斑排列整齐均匀；若波前发生畸变，各光斑会偏移，通过测量这些偏移量即可重建出波前相位分布。Shack-Hartmann波前传感器实时性强、结构紧凑、易于集成等优点，使其成为目前科研与工业领域应用最广泛的波前传感手段之一。深度学习和超表面等新兴技术的出现，更是有望进一步打破Shack-Hartmann波前传感器在原理和器件上的限制。

近年来，学术界和产业界围绕Shack-Hartmann波前传感器的性能提升开展了大量研究。在动态范围方面，通过特殊微透镜设计、掩膜、散射片、空间光调制器等硬件创新（如图2所示），基于光斑分配、相位解包裹等算法优化，实现了灵敏度与动态范围的兼顾；在测量孔径方面，通过引入中继光路、扫描策略等方法扩展了测量范围。针对包含高频局部畸变或者高阶像差分量的复杂波前探测问题，研究者们也通过分析光斑强度分布、引入超分辨率采样等方式，显著提升了传感器的检测精度和分辨能力。值得一提的是，随着光学系统对多维参数测量的需求不断提升，Shack-Hartmann波前传感器也在向着光场多参量测量方向迈进。近年来，相关研究不仅关注相位信息的获取，还将测量范围拓展到光场的偏振态、相干性等多个参量。例如，通过引入量子层析理论、集成偏振检测模块或特殊微结构，实现了对空间光场的多维参数同时测量。

图2 使用非周期掩膜扩大Shack-Hartmann波前传感器的动态范围。（a）球面波经过像散微透镜后形成的散光斑；（b）H-SHWFS的示意图与使用的掩膜；（c）基于薄散射片的波前传感原理

超表面技术和深度学习方法分别于硬件层面和软件层面在各个领域引起了新的技术变革和研究热潮。超表面技术打破了传统透镜的尺寸和功能限制，能够以亚波长的尺度实现多个自由度的独立调控。深度学习在计算速度和表征学习上实现了巨大提升，相较于传统的人工构建模型来说能够自动提取数据的抽象特征，并构造端对端的复杂非线性映射关系。研究者们将超表面和深度学习的优势融入到了Shack-Hartmann波前传感器的改进中，实现了性能的巨大突破。

图3 基于超表面的Shack-Hartmann波前传感器。（a）一种可同时检测波前相位和偏振态的广义Hartmann-Shack光束轮廓仪；（b）基于非交错硅基超表面的一种间距可切换的超透镜阵列，可根据入射光和出射光的偏振态切换不同间距；（c）具有大采样密度和大角度视场的基于超表面增强的波前传感器meta SHWFS

超表面为Shack-Hartmann波前传感器带来的改进如图3所示，目前主要聚焦在高性能和多功能两个方面，亚波长尺度的采样单元能够提供更高的采样密度和更大的可测角度，丰富的设计自由度使超透镜能够对多个光场参量产生独立响应，有望实现对光波各参量的同时测量。目前的超透镜因制造工艺以及材料损耗聚焦效率远低于传统透镜，且其有限的工作波长带宽难以匹配Shack-Hartmann波前传感器探测波前的宽光谱需求，小尺寸超透镜之间的衍射串扰也会降低信噪比，这些都是下一步将超表面应用于Shack-Hartmann波前传感器需要考虑和解决的问题。

图4 神经网络用于提高Shack-Hartmann波前传感器波前重建精度。（a）基于改进后的U-Net架构由输入斜率直接输出相位图；（b）ISNet网络架构；（c）LSHWS网络结构；（d）BPH-SHWFS网络结构

图5 神经网络用于Shack-Hartmann波前传感器的稀疏子孔径重建。（a）CS-WFS网络架构；（b）SH-ResNet网络架构

深度学习已应用于Shack-Hartmann波前传感器处理信息的各个环节，比如在极端环境下或延长斑点下提高质心的定位精度、直接输入整个光斑阵列图像或直接输出相位图以提高波前重建精度等，也可用于图像预处理或后处理阶段，用于光斑图像去噪或者从低分辨率波前中重建得到高分辨率的波前。图4和图5展示了部分网络架构，目前应用于Shack-Hartmann波前传感器处理过程的主要是有监督型网络，需要大量的数据集进行网络训练，数据集的规模大小、覆盖广度以及生成数据集时选择的物理模型或者统计模型直接决定着网络的性能。由于直接从实际波前探测系统中采集实验数据成本较高且耗时较多，目前大部分研究采用的思路是使用人工生成的数据集进行训练再搭建光路进行原理性验证。

凭借其实时性和高集成度，Shack-Hartmann波前传感器已经在众多领域展现出卓越应用价值。例如，在天文望远镜中用于大气湍流校正，提升成像质量；在生物显微成像和眼科医疗中进行高精度波前分析与畸变校正；在激光系统和光学元件制造环节用于检测和优化光束质量。随着超表面与深度学习技术的加持，Shack-Hartmann波前传感器正逐步向高分辨率、生物组织成像、自由曲面光学检测等更广泛和复杂的场景拓展。

目前针对Shack-Hartmann波前传感器性能指标做出的改进大多停留在实验室验证阶段，许多技术改进面临着从理论验证到工程化应用的鸿沟。不同应用场景对波前传感器提出了各自的核心需求，例如天文观测需兼顾高速响应与复杂湍流结构，多层共轭测量与校正能力；生物显微成像强调在低信噪比下的高精度探测；眼科诊断则关注实时追踪与个体化检测。因此，要实现Shack-Hartmann波前传感器在不同复杂环境下的可靠落地，需从具体应用出发，针对不同领域的核心问题构建专用的波前重建模型、硬件架构与控制算法；例如在重建方法方面可以引入基于稀疏先验、统计建模或者神经网络的方法增强Shack-Hartmann波前传感器在低质量信号下重建波前的鲁棒性；硬件方面应开发具备可调节参数的模块化微透镜阵列与具有更高灵敏度、更快的响应速度与更宽的光谱响应范围的成像探测器，以提升波前传感器在高散射、低信噪比或宽光谱照明等复杂环境下的适应能力和检测性能。此外也应引入微纳制造、超表面光学等新兴技术来进一步推动Shack-Hartmann波前传感器的集成化与小型化。

深度学习和超表面等新兴技术的出现有望进一步打破原理和器件上的限制，分辨率的大幅度提高也有望解锁Shack-Hartmann波前传感器在相位成像方面的新应用，相信小型化、低成本、高速度、高分辨率的多功能Shack-Hartmann波前传感器将在天文学、显微成像、眼科医学、光学元件检测等领域实现更加广泛、深入的应用。