يُعد اكتشاف الانحرافات البصرية في النظام البصري أثناء التشغيل ذا أهمية كبيرة في معالجة وضبط النظام البصري، وتطوير آلات الطباعة الضوئية، وضبط الكاميرات الفضائية أثناء المدار. تُظهر طرق الكشف التقليدية مثل استرجاع الطور (Phase Retrieval، PR) وتنوّع الطور (Phase Diversity، PD) أداءً ممتازًا تحت ظروف محددة، لكن تواجه قيودًا مع فتحات عددية كبيرة أو عندما لا تتحقق حدود تردد نايكويست للنظام البصري. لذلك، تقترح هذه الورقة طريقة تجمع بين نموذج حيود نيجبور-زيرنيكي الموسع (Extended Nijboer-Zernike، ENZ) والشبكات العصبية العميقة. أولًا، يتم بناء شبكة عميقة متبقية مزودة بآلية اهتمام الضغط والتنشيط (Squeeze-and-Excitation، SE). ثانيًا، يتم إنشاء علاقة تحويل من دالة انتشار نقطة صورة الشدة (Point Spread Function، PSF) إلى توزيع الطور، لتحقيق استخراج ميزات شدة الحيود وتوقع معاملات وصف الطور. وأخيرًا، تُدمج المعاملات المتوقعة مع نموذج الحيود الموسع نيجبور-زيرنيكي للحصول على صورة PSF المتوقعة لتحقيق كشف المقدمة البصرية للنظام البصري. أظهرت النتائج التجريبية أن الطريقة المقترحة عند فتحات عددية كبيرة وعدم تحقق عينة نايكويست تُحقق جذر متوسط الخطأ التربيعي (Root Mean Square، RMS) بين صورة المقدمة الحقيقية والمستعادة حوالي 0.02λ، متفوقة على طرق أخرى. هذه الطريقة غير خاضعة للإشراف، مما يقلل من الاعتماد على كميات كبيرة من بيانات التدريب ويُحسّن من دقة كشف المقدمة.

كشف المقدمة;طريقة نيجبور-زيرنيكي الموسعة (ENZ);التعلم العميق