中国科学院光电技术研究所饶长辉、郭友明团队：数据驱动的高分辨成像自适应光学技术研究进展 | 专题封面

中国科学院光电技术研究所自适应光学全国重点实验室饶长辉研究员、郭友明研究员团队受邀在《激光与光电子学进展》“智能光学天文观测技术”专题发表以“数据驱动的高分辨成像自适应光学技术研究进展”为题的综述论文，并被遴选为封面文章。

封面解读

 

封面展示了搭载自适应光学系统的高分辨成像望远镜观测太阳的场景。图中突出显示了变形次镜、波前传感器和高分辨成像相机这些核心部件，中间的蓝色的条状代表的是深度学习神经网络将物理模型和自适应光学技术相结合，强调智能自适应光学对天文场景成像质量的提升。

全文链接：赵麒蓁, 赵倩, 周家辉, 孙文韬, 张曼婷, 邓曼, 陈克乐, 涂歆, 陈凯余, 张兰强, 郭友明, 饶长辉. 数据驱动的高分辨成像自适应光学技术研究进展 [J]. 激光与光电子学进展, 2026, 63(8): 0839003.

自适应光学（Adaptive Optics, AO）技术是实现高分辨率成像的重要手段，其核心目标是在大气湍流等扰动条件下，通过实时测量与校正波前像差，使成像系统接近衍射极限性能。传统AO系统依赖精确物理模型与线性控制实现闭环补偿。在复杂湍流、高动态目标和低信噪比条件下，受非线性、时间延迟等影响，传统模型驱动方法在补偿精度、稳定性和动态响应方面面临挑战。

近年来，随着数据驱动建模与人工智能技术的快速发展，深度学习、最优控制与计算成像方法逐步引入自适应光学系统，在波前探测、扰动识别、最优控制及图像后处理等关键环节取得显著进展。

中国科学院光电技术研究所自适应光学全国重点实验室饶长辉、郭友明团队梳理了基于数据驱动的自适应光学在波前探测、最优控制与图像后处理等方面的近期亮点工作，为实现高分辨率成像提供了新的思路与技术途径。

2.1 智能波前探测进展

传统的相位差（Phase Diversity, PD）算法依赖于多次迭代，难以满足现代天文自适应光学系统对实时校正的需求。团队提出的非迭代实时相位差波前检测方法能够在0.5 ms内完成波前的恢复，满足自适应光学系统的实时闭环校正需求（图1），首次实现了基于卷积神经网络（CNN）的亚毫秒级实时波前恢复。

图1 PD波前复原的实验过程。（a）网络训练测试过程；（b）网络推理加速部分

传统和深度学习的PD波前复原算法在低信噪比、高阶像差和大波前畸变下存在局限。团队提出的基于深度学习的夏克哈特曼波前探测器（SHWFS）深度相位恢复方法（SH-CNN）（图2），实现了哈特曼图像到波前的端到端映射，免除斜率解算和矩阵反演，并通过TensorRT优化实现了0.2 ms的快速推理。

图2 基于SH-CNN的波前重建示意图

团队提出的与目标形态无关的超分辨哈特曼波前探测方法（ES-DPRWR）（图3），通过频域处理生成仅与波前误差相关的特征图，再用深度卷积网络建立特征图与波前模式的非线性映射。该方法可恢复的波前模式数较传统相关斜率法提升50%以上，显著增强了扩展目标波前探测精度与泛化能力。

图3 ES-DPRWR方法示意图。（a）ES-DPRWR网络的结构；（b）重建的波前和真实的波前

该研究提出面向扩展目标的智能波前复原算法加速方法，通过GPU并行计算优化AO系统关键流程，实现整体约13.67倍的速度提升，算法具备工程应用能力。

2.2 数据驱动的波前扰动辨识与控制技术进展

研究提出了一种基于粒子群优化（PSO）算法的低阶倾斜波前扰动辨识方法。该方法通过对扰动信号的功率谱密度（PSD）进行有效分割，准确提取独立扰动成分，并快速辨识出其频域模型参数。PSO算法的优势在于其初值随机、调整参数少且收敛速度快（图4）。

图4 不同辨识方法对应的拟合功率谱密度曲线。（a）PSO辨识结果；（b）最大似然辨识结果；（c）LM辨识结果

为解决中小口径望远镜中线性二次高斯（LQG）控制方法易失稳的问题，团队通过重构AO系统状态空间模型，提出低阶倾斜扰动的LQG优化方法，并采用增广模型处理时间延迟，同时结合增益和相位裕度分析提升稳定性。

针对高阶Zernike模式校正中整数帧时延建模不准确的问题，提出分数阶延迟观测器（FODO）方法。该方法将系统总扰动与控制单元统一建模，通过误差传递函数（ETF）驱动参数迭代优化（图5），更真实刻画系统动态特性，为最优增益计算奠定基础。

图5 基于FODO的最优增益积分控制原理图 (F：FODO，UPC：用户个人计算机)

针对传统比例积分控制参数设定粗略的问题，提出基于改进抛物线近似方法（EPAM）的最优增益积分控制策略。该方法在稳定增益范围内选取三组增益，通过抛物线二次拟合直接求取极值点，实现最优增益快速计算，避免参数遍历的多次迭代。

2.3 数据驱动的图像后处理进展

针对无时统条件下波前数据与远场图像难以匹配的问题，提出多尺度最优模糊核估计法（MSO）。该方法利用低分辨率图像低频占优特性构建候选PSF集合，先后使用最小均方误差（MSE）和基于感知的图像质量评估器（PIQE）确定最优模糊核，提高了复原稳定性与适用性（图6）。

图6 扩展目标的仿真结果。（a）模糊图像；（b）清晰图像；（c）真实PSF和复原图；（d）MSO；（e）MMSE；（f）MPIQE

团队提出多时间差异与动态优化框架（MTDO），通过“运动感知—路径选择—对齐校正—重建”的端到端机制处理视频超分辨问题。方法利用多级时间差异捕捉运动信息，动态选择优化路径，并结合多注意力模块降低对齐误差，在低计算开销下提升时空一致性和细节恢复能力。

图7 MTDO 框架示意图

综上所述，随着深度学习等新兴技术的快速发展，自适应光学系统正由传统模型驱动模式向数据驱动与智能化方向加速演进。

展望未来，智能波前探测将进一步向无监督学习与强化学习方向发展，通过自监督与物理一致性约束提升模型泛化能力，并借助在线策略优化实现自适应重建与控制。在扰动辨识与控制方面，基于实测数据驱动的协同建模可结合更高维动态模型，实现更精准的时延表征与增益优化。图像后处理方面，与AO闭环控制深度融合，探索时空超分辨与低信噪比稳健重建路径。未来的数据驱动自适应光学系统将更加智能、高效与工程可实施。