대기 난류의 동적 변화와 관측 대상의 밝기 감소는 섀크-하트먼 파면 센서(SHWFS)의 파면 검출 정확도에 심각한 영향을 미칩니다. 이러한 두 가지 복잡한 관측 조건에 대해, 본 논문에서는 Transformer 구조를 기반으로 한 신경망 모델을 제안합니다. 이 모델은 우수한 전역 모델링 능력을 갖추고 있으며 SHWFS 점 배열 이미지에서 고정밀로 파면을 재구성할 수 있습니다. 동적 변화하는 전형적인 대기 난류 상관 길이 r₀ 하에서 시뮬레이션을 수행한 결과, 제안된 네트워크 모델의 잔류 파면 RMS 오차 값은 0.010~0.024 μm 사이에서 안정적으로 유지됩니다. 기존 방법과 비교할 때, 본 방법은 파면 왜곡을 더 정확하게 재구성할 수 있습니다. 또한 본 방법의 재구성 정확도는 가이드 별이나 관측 대상 밝기 변화의 영향을 거의 받지 않습니다. 따라서 본 방법의 재구성 정확도는 두 관측 조건 변화에 대해 높은 안정성을 가지며, 대구경 천문 광학 망원의 고해상도 영상에 유망한 방법을 제공합니다.

적응 광학; 딥러닝; 섀크-하트먼 파면 센서; Transformer; 파면 재구성