Los cambios dinámicos en la turbulencia atmosférica y la disminución del brillo del objetivo observado afectan gravemente la precisión de la detección del frente de onda del sensor Shack-Hartmann (SHWFS). Para estas dos condiciones de observación complejas, este artículo propone un modelo de red neuronal basado en la estructura Transformer, que posee una buena capacidad de modelado global y puede reconstruir con alta precisión el frente de onda a partir de imágenes del arreglo de manchas SHWFS. Mediante simulaciones bajo una longitud de coherencia típica de turbulencia atmosférica dinámica r₀, el error RMS residual del frente de onda del modelo propuesto se estabiliza entre 0,010 y 0,024 μm. En comparación con los métodos existentes, el enfoque de este artículo puede reconstruir más precisamente las aberraciones del frente de onda. Además, la precisión de reconstrucción de este método se ve poco afectada por los cambios en el brillo de la estrella guía o del objetivo observado. Por lo tanto, la precisión de reconstrucción de este método tiene una fuerte estabilidad frente a los cambios en ambas condiciones de observación, proporcionando un método prometedor para la imagen de alta resolución en telescopios astronómicos ópticos de gran apertura.

óptica adaptativa; aprendizaje profundo; sensor de frente de onda Shack-Hartmann; Transformer; reconstrucción de frente de onda