Metalens-Based Compressed Ultracompact Femtophotography: Analytical Modeling and Simulations
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Single-shot 2-dimensional optical imaging of transient phenomena is indispensable for numerous areas of study. Among existing techniques, compressed ultrafast photography (CUP) using a chirped ultrashort pulse as active illumination can acquire nonrepetitive time-evolving events at hundreds of trillions of frames per second. However, the bulky size and conventional configurations limit its reliability and application scopes. Superdispersive metalenses offer a promising solution for an ultracompact design with a stable performance by integrating the functions of a focusing lens and dispersive optical components into a single device. Nevertheless, existing metalens designs, typically optimized for the full visible spectrum with a relatively low spectral resolution, cannot be readily applied to active-illumination CUP. To address these limitations, here, we propose single-shot compressed ultracompact femtophotography (CUF) that synergically combines the fields of nanophotonics, optical imaging, compressed sensing, and deep learning. We develop the theory of CUF’s data acquisition composed of temporal–spectral mapping, spatial encoding, temporal shearing, and spatiotemporal integration. We also develop CUF’s image reconstruction via deep learning. Moreover, we design and evaluate CUF’s crucial components—a static binary transmissive mask, a superdispersive metalens, and a 2-dimensional sensor. Finally, using numerical simulations, CUF’s feasibility is verified using 2 synthetic scenes: an ultrafast beam sweeping across a surface and the propagation of a terahertz Cherenkov wave.
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.
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 | 0,002 |
| 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) | 0,000 | 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 découle