【中国科学院院光电所】提出GAAL增强波前传感鲁棒性

深度学习波前传感可将 Shack-Hartmann 波前传感器（SHWFS）的点阵图像直接映射为波前信息，在天文观测、显微成像和光通信中具有研究价值。但论文指出，现有方法在低信噪比、强湍流和光斑缺失等复杂条件下仍存在鲁棒性和泛化能力不足的问题。中国科学院光电技术研究所等单位提出图注意力对抗学习框架 GAAL，用于提升 SHWFS 波前重构稳定性。

图1 论文展示了深度学习波前传感的端到端部署路径。

技术创新

传统 SHWFS 波前重构常依赖质心检测和基于 Zernike 多项式的模态重构，在低光照、读出噪声、光斑遮挡或强湍流条件下，质心估计和斜率关系容易受到扰动。常规 CNN 类深度学习模型虽然能学习传感器图像到波前的映射，但论文认为这类模型通常把 Hartmann 光斑阵列当作普通图像处理，未充分利用子孔径之间的空间拓扑关系，也缺少针对光斑退化状态的自适应机制。

GAAL 框架围绕三类信息展开。首先，模型使用轻量 EfficientNet 提取多尺度语义特征，再将局部特征块转换为图节点，以空间邻近、特征相似性等关系构造边，并通过图注意力编码捕获光斑阵列中的全局空间分布和局部聚合信息。其次，论文构建光斑退化感知模块，通过识别光斑形态和强度，自适应调节先验知识回放程度，并对 Zernike 系数损失赋予自适应权重。最后，研究引入 Hartmann 对抗样本，将光斑模糊、散斑噪声等扰动纳入训练，以降低过拟合并提升噪声环境下的泛化能力。

在图构建过程中，论文并未直接把原始图像像素作为图节点，而是先从 Hartmann 原始图像  中提取多尺度特征 ，再把特征图划分为  的局部块。每个局部块被展平成特征向量并进行 Z-score 归一化，随后构成节点矩阵。边关系由空间邻近和特征相似性共同决定，边权采用与特征距离相关的指数形式。这样的设计使模型不仅关注单个光斑形态，也关注相邻子孔径之间的空间耦合关系。

图2 GAAL 将特征提取、图注意力、光斑退化感知和对抗训练整合到同一波前重构框架中。

实验结果

论文将 GAAL 与 MMWR、EfficientNet-B0、ResNet-50、Inception-V3、Xception、U-Net、Alex-Net、SH-ResNet、LSHWS、DLWS、ViT、MGNN 和 WRPINN 等方法进行比较。所有模型在相同规模数据集上训练，Adam 优化器初始学习率为 ，，，，batch size 为 32。

在主要性能表中，GAAL 的测试 MAE 为 ，参数量为 15.26M，平均推理时间为 。相比之下，MMWR 的测试 MAE 为 、推理时间 ；ResNet-50 的测试 MAE 为 、推理时间 ；EfficientNet-B0 的测试 MAE 为 、推理时间 。论文认为，GAAL 在精度和计算效率之间取得了较好平衡。

数据构建方面，论文通过相位屏模拟大气湍流，并由局部波前梯度计算 Hartmann 光斑图像。文中设置散斑噪声为 20 dB SNR，生成与 Zernike 系数配对的训练数据。比较实验保持数据预处理、数据增强、训练验证划分和硬件环境一致，以便比较不同网络结构的波前重构误差。

图3 GAAL 对 SHWFS 图像的 Zernike 系数预测、波前重构和残差示例。

在不同子孔径数量实验中，论文设置 、 和  三种配置。当子孔径降至  时，GAAL 的 MAE 为 ，比 U-Net 的  低 ；在  极端稀疏配置下，GAAL 的 MAE 为 ，比 LSHW 的  低 ，也优于 MMWR 的 。在 Zernike 模态重构示例中，GAAL 的低阶模式（）误差为 ，高阶模式（）误差为 ；波前相位重构 RMS 误差为 ，低于 ResNet 的  和 U-Net 的 。

鲁棒性与闭环验证

低信噪比实验将散斑噪声 SNR 和读出噪声分为高、中、低和极低四档。GAAL 在高、中、低、极低 SNR 下的误差分别为 、、 和 。论文认为，图注意力权重调节、Hartmann 对抗样本约束，以及多层图注意力感受野共同帮助模型抑制局部噪声传播。

消融实验进一步检验了各模块作用。在正常、强湍流、 光斑缺失和低 SNR 四种场景中，完整 GAAL 的 MAE 分别为 、、 和 ；去掉图注意力后分别升至 、、 和 。其中在  光斑缺失下误差从  增至 ，论文据此强调子孔径间关系建模的重要性。

图4 不同训练样本、湍流强度、光斑缺失比例和 SNR 条件下的消融实验结果。

在自适应光学闭环仿真中，研究使用 HCIPy 平台，设置望远镜直径 、焦距 ，SHWFS 子孔径数 ，微透镜焦距 ，光斑间距 μ，焦平面分辨率 ；变形镜执行器数为 、间距 、最大行程 μ。闭环采样频率为 ，控制带宽 ，校正延迟为 2 帧（）。论文报告，GAAL 在 10 次闭环实验中相比 MMWR 和 EfficientNet-B4 具有更快收敛、更低稳定残差和更高稳定 Strehl 比。

应用价值

论文的应用场景集中在复杂条件下的自适应光学波前传感，包括低 SNR、强湍流、光斑缺失和动态闭环校正。GAAL 通过将 SHWFS 光斑阵列的物理拓扑纳入深度学习模型，为波前重构的鲁棒性和泛化能力提供了一种数据驱动方案。

结语

这项研究将图注意力、光斑退化感知、对抗训练和自适应 Zernike 损失结合，用于提升 SHWFS 波前重构。论文实验显示，GAAL 在多种扰动条件下保持较低重构误差，并在闭环仿真中展现出波前校正能力。作者也提出，后续将探索无监督在线学习，使模型能适应未知湍流模式。

参考文献

Yong Chen, Xi Luo, Qiwang Jia, Xinyang Li, “Robust wavefront sensing based on graph attention adversarial learning.” Advanced Engineering Informatics 69 (2026) 104079. https://doi.org/10.1016/j.aei.2025.104079