Compressed ultrafast tomographic imaging using standard streak cameras
Notice bibliographique
Résumé
Streak cameras are popularly used to passively record dynamic events for numerous studies. However, in conventional operation, they are restricted to one-dimensional field of view (FOV) imaging. To overcome this limitation, the multipleshot and the single-shot two-dimensional (2D) steak imaging approaches have been developed. For the former, the (x,y,t) datacube is acquired by combining the conventional manipulation of streak cameras with a scanning operation. For the latter, the (x,y,t) information is obtained by combining streak imaging with other imaging strategies, such as compressed sensing (CS). Despite contributing to many new studies, the multiple-shot methods require a large number of measurements to synthesize the datacube, and the single-shot approaches reduce the spatiotemporal resolutions or the FOV. Here, we overcome these problems by developing streak-camera-based compressed ultrafast tomographic imaging (CUTI), which is a new work mode universally adaptable to most streak cameras. Grafting the principle of computed tomography to the spatiotemporal domain, CUTI uses temporal shearing and spatiotemporal integration to equivalently perform passive projections of a transient event. By leveraging multiple sweep ranges readily available in a standard streak camera and a new CS-based reconstruction algorithm, the datacube of the transient event can be accurately recovered using a few streak images. Compared to the scanning-based multiple-shot 2D streak imaging approaches, CUTI largely reduces the data acquisition time. Compared to the single-shot methods, CUTI eliminates the trade-off between the spatial resolution or the FOV and temporal resolution.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».