武汉工程大学液晶微透镜阵列推动实时湍流波前重构

开篇

液晶微透镜阵列（LC-MLA）具备电子可调、低功耗和易集成等优势，适合做实时波前传感和校正。论文提出一种把物理模型与数据驱动网络结合的深度光学框架，利用 LC-MLA 的时空传递函数重构动态湍流图像，并用于多视场、多阶像差的实时校正。

图1 通过 LC-MLA 获取光场，再由 LCMA-TRN 完成重构。

技术创新

论文提出的核心是时空量化感知深度光学框架。它把四维光场表示为 ，其中  是空间坐标， 表示相位， 被当作时间维度。基于这个表示，作者构建了时空传递函数和 LC-MLA 物理模型，用自动微分和反向传播同时优化 LC-MLA 调制参数与网络权重。

在网络结构中，ST-Model 负责描述物理传播，ST-Focus 用三维卷积提取多字段湍流特征，二者共同支撑 LCMA-TRN。该框架把复杂度从  降到 ，并且通过焦距相关注意力权重适应不同焦距下的成像特征。论文指出，LC-MLA 电子可调、无机械抖动、便于集成，适合动态湍流场景。

图2 LC-MLA 的可调特性是该框架的物理基础。

实验结果

实验中，训练数据为  像素，采用随机裁剪增强泛化能力。网络在 PyTorch 中训练 200 轮，batch size 为 10，学习率为 。结果显示，LCMA-TRN 在动态湍流重构上达到 24–45 FPS，并能在 22–42 ms 内预测不同湍流级别的时空变化。

结果 显示，LCMA-TRN 的 SIDM 为 1.05、RPM 为 54.48、DTRM 为 0.790、FPS 为 30，整体优于 DTD-GAN+、TSR-WGAN、TMT 和 DATUM。论文还报告，与现有方法相比，PSNR 提升了 。

图3 LCMA-TRN 可重构外场场景和 USAF1951 靶标。

消融实验说明，ST-Focus 和 ST-Model 缺一不可。完整模型组 D 的 PSNR 为 28.62、SSIM 为 0.837、SIDM 为 1.05、RPM 为 54.48、DTRM 为 0.790；而去掉两个模块的组 A 只有 PSNR 23.04、SSIM 0.658、DTRM 0.693。论文据此认为，LC-MLA 的时空可调性确实改善了多场和多尺度湍流重构。

应用价值

论文面向动态湍流校正和高维光场建模，强调 LC-MLA 适用于移动平台 AO、无人机成像和极端天气环境。相较传统 SHWFS 预处理，这种方案还能减少信息损失和处理时间。

结语

这项工作把 LC-MLA 的物理可调性与深度网络结合起来，重点不是单纯“更深的网络”，而是把硬件约束写进模型。它的意义在于为动态、多场、实时湍流重构提供了一条可计算、可调参的路线。

参考文献

Xiaoyue Song, Hui Li, Zikang Li, Shiqi Li, and Yuntao Wu, "Deep optics framework utilizing a liquid crystal microlens array for dynamic wavefront sensing and correction in atmospheric turbulence," Opt. Lett. 50, 3584-3587 (2025)