中新社西安1月20日电 (阿丽娜记者)记者20日从中国科学院西安光动力研究所获悉，中国科学院西安光动力研究所与加拿大科学院、西北大学合作，近期在高速压缩图像处理领域取得重大进展。研究小组通过结合富含多种物理前驱体的神经网络和压缩光学条纹的超快摄影，开发了一种单次曝光上转换压缩光致发光寿命成像技术。
这张照片显示了基于多个物理增强深度学习先验的高速压缩成像光路。图片提供：中国科学院西安光动力研究所
据报道，高速压缩成像的一个中心问题是从复杂的动态序列中进行高保真重建。x 逆问题。传统的深度学习方法往往依赖于大量的训练数据，并存在泛化能力有限、容易引入工件等常见问题。然而，现有的大多数物理增强框架仅限于单一先验任务，难以有效解决超快速成像场景中由噪声、帧间串扰等多维干扰引起的复杂图像问题。
为了实现这一目标，研究团队提出了一种由多个物理先验驱动的神经网络成像框架。该团队创新地将多个背景集成到未经训练的神经网络中，包括引导光致发光动力学的物理模型、扩展预采样、稀疏约束和深度图像先验。通过协同校正多个互补背景，有效抑制重建伪影，校正空间畸变，提高空间分辨率，并表现出高鲁棒性，特别是在低光子条件下。
在此基础上，研究团队进一步构建了基于双光路同步采集和多个物理增强深度学习先验融合的高速压缩成像系统。该系统使用脉冲激光作为激发光源，并通过数字微镜器件加载伪随机图案，对动态场景进行空间编码。动态场景的光信号被分为两路。在编码路径中，信息时间 n 使用检流计扫描转换为空间剪切偏移，并使用 CMOS 相机捕获。在先验采样过程中，另一个同步 CMOS 相机直接收集场景的未编码积分图像。该系统通过数字延迟发生器和信号发生器的协同编程，实现了光源、振镜和双摄像头的精确同步控制。最终，该系统与AI相结合动力图像重建技术实现了快速、高保真动态图像，同时保持高空间分辨率。
基于该光学系统，研究团队提出的多物理增强深度学习方法在光致发光图像中表现出高保真度。实验结果表明，空间分辨率显着提高。
据信息显示，该技术显示出广泛应用的潜力。研究团队将此应用到食品安全检测领域。借助稀土掺杂上转换纳米探针，我们成功无损检测了醇溶液中合成染料苋菜浓度的微秒级荧光寿命，为快速、准确分析痕量物质提供了新的技术途径。 （完）
特朗普：让美国再次伟大！ ？
中国2025经济报告展现强大实力
X级太阳耀斑可能在今天或明天爆炸。瓦有什么影响？
中国解决达沃斯时代问题的方案：“雪、冲、兑、净、店” 12306购票页面上的五个标志代表什么？
南北气温相同，为何差异如此之大？
詹姆斯失去 NBA 全明星首发位置，连续 21 年连续入选 NBA 全明星
俄罗斯高超音速导弹再次投入战斗。为何西方国家如此难以抵抗？
为什么今年熔岩节之前就出现严寒？
不少“猎猪聚会”被暂时取消。不能只靠“抄作业”来获取流量。
今年冬天北半球气温波动较大，与极地涡旋有关
占领岛屿、仇恨、关税之苦以及欧美之间的“友谊之船”多次倾覆。
年底寒气袭来，等寒气过去，我们再相见。
特朗普就任2.01周年，美国伟大吗？获得？
随着“先买后付”模式的兴起，需要“无脑”消费来防范这些风险。
员工协会正在悄然兴起。未来他们会去哪里？
当AI开始“宣传”时，它的回应还“靠谱”吗？
哪些功能可以提高人工智能驱动的工厂可视性？