As mudanças dinâmicas na turbulência atmosférica e a redução do brilho do alvo observado afetam gravemente a precisão da detecção da frente de onda pelo sensor Shack-Hartmann (SHWFS). Para essas duas condições complexas de observação, este artigo propõe um modelo de rede neural baseado na estrutura Transformer, que possui uma ótima capacidade de modelagem global e pode reconstruir com alta precisão a frente de onda a partir das imagens do arranjo de pontos do SHWFS. Por meio de simulações sob um comprimento típico de coerência da turbulência atmosférica dinâmica r₀, o erro residual RMS da frente de onda do modelo proposto se estabiliza entre 0,010 e 0,024 μm. Em comparação com os métodos existentes, o método deste trabalho pode reconstruir as aberrações do frente de onda com maior precisão. Além disso, a precisão da reconstrução deste método é pouco afetada pelas variações de brilho da estrela guia ou do alvo observado. Assim, a precisão da reconstrução deste método apresenta forte estabilidade diante das variações dessas duas condições de observação, oferecendo um método promissor para imagens de alta resolução em grandes telescópios ópticos astronômicos.

óptica adaptativa; aprendizagem profunda; sensor de frente de onda Shack-Hartmann; Transformer; reconstrução de frente de onda