Upconversion Photoluminescence Lifetime Imaging via Multi-Prior Physics-Enhanced Deep Learning
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
Upconversion photoluminescence lifetime imaging has emerged as a transformative analytical tool by leveraging the temporal signatures of luminescent probes to resolve molecular interactions. While compressed ultrafast photography offers distinct advantages for high-speed imaging, its utility in quantitative applications, such as food safety, remains constrained by reconstruction artifacts, particularly spatial distortion and edge detail loss. To address these limitations, we present a method of single-shot compressed upconversion photoluminescence lifetime imaging (sCUPLI) empowered by a multi-prior physics-enhanced neural (mPEN) network. This framework synergizes physical models of photoluminescence dynamics and imaging processing, subpixel information loss of the compressed encoding, extended sampling priors, sparsity constraints, and deep learning to achieve precise quantification of upconversion photoluminescence lifetimes. To demonstrate its potential in beverage additive detection, we apply mPEN–sCUPLI to analyze synthetic colorants using rare-earth-doped upconversion nanoprobes. The system excels at resolving subtle optical heterogeneities in beverage matrices, achieving superior spatiotemporal resolution and artifact suppression compared to conventional methods. It attains a spatial resolution of 90.5 lp/mm at a frame rate of 33,000 fps, achieving a spatial resolution improvement of approximately 3.56 times. Quantitative analysis shows that mPEN–sCUPLI reconstruction improves the average peak signal-to-noise ratio by 4 dB and enhances the sharpness and fidelity of imaging by 1.85 times. Given its ability to achieve high-fidelity and high-throughput photoluminescence lifetime imaging from single-shot 2-dimensional measurements, the proposed mPEN–sCUPLI approach is expected to be widely adopted in food safety detection applications.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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