轻量级卷积神经网络用于通过Shack-Hartmann传感器进行波面重建,并具有空间下采样微镜头

科学领域:

• 光学和光子学 在光学和光子学.
• 人工智能的人工智能
• 天文学仪器仪器仪表

背景情况:

• 波面传感对于自适应光学系统至关重要,特别是在天文学中.
• 传统的哈特曼传感器与微弱的信标灯光和强大的大气动荡作斗争.
• 需要更快,更有效的波检测方法.

研究的目的:

• 开发一种轻量级的卷积神经网络 (CNN),用于快速的波面阶段预测.
• 为了解决在弱光和强动荡下哈特曼传感器的局限性.
• 为了提高波面传感的速度和降低计算复杂性.

主要方法:

• 设计了SIR-Net,一个轻量级的CNN,使用并行处理子点.
• 采用特殊的下采样微镜头哈特曼设计,以提高信号对噪声比 (SNR).
• 应用了平均变化大小方法来减少模型复杂性和计算负载.

主要成果:

• 在大气流下 (d/r0≈3) 达到0.059λ的波面平均平方根余值.
• 演示了0.191 ms的快速推断时间.
• 开发了一个小型模型,尺寸为1.772 MB.

结论:

• SIR-Net有效地预测了来自哈特曼图像的波面阶段,即使光线较弱.
• 拟议的方法显著减少了推断时间和模型大小.
• 在具有挑战性的环境中,SIR-Net提供了一种可行的解决方案,用于快速探测波.