光学系の現場での像差検出は、光学系の加工調整、リソグラフィ装置の開発、宇宙カメラの軌道上調整などにおいて重要な意義を持つ。従来の現場像差検出法である位相回復（Phase Retrieval, PR）や位相多様性（Phase Diversity, PD）は特定条件下で優れた性能を示すが、大きな数値開口や光学系のナイキスト周波数下限を満たさない複雑な条件では限界がある。そこで本論文では、拡張Nijboer-Zernike（ENZ）回折物理モデルと深層ニューラルネットワークを組み合わせた手法を提案する。まず、SE（Squeeze-and-Excitation）注意メカニズムを備えた深層残差ネットワークを構築する。次に、強度画像の点拡散関数（Point Spread Function, PSF）から位相分布へのマッピング関係を確立し、回折光強度の特徴抽出と位相記述の係数予測を実現する。最後に、予測された係数を拡張Nijboer-Zernike回折モデルと組み合わせ、予測PSF画像を取得し、光学系の波面検出を実現する。実験結果により、本手法は数値開口（NA）が大きくナイキストサンプリングが満たされない場合でも、実波面画像と再構成波面画像間の残差波面二乗平均平方根（Root Mean Square, RMS）が約0.02λであり、他の手法より優れていることが示された。本手法は教師なし学習手法であり、大量の訓練データへの依存を減らし、波面検出の精度を向上させる。

波面検出;拡張Nijboer-Zernike法（ENZ）;深層学習