-
电渗析复分解中电流 - 电压研究导出的极限电流密度与离子传输
•对使用矿物原料和稀土(REE)原料的2至5级EDM堆进行了LCD和I-V特性测绘•更大的膜面积降低了电流密度,并将LCD推移至更高电压。•单价离子表现出优于二价和三价稀土元素的传输特性。•最佳性能出现在LCD的约80%处,从而最小化能耗和结垢风险。•欧姆区由Boltzman
来源:Desalination
时间:2026-09-29
-
将热量传输纳入浊流层平均框架:高分峡谷的场尺度应用
• 一种热耦合的层平均框架对浊流热传输进行了定量分析。
• 双层模型以尺度一致性的方式对浊流热传输进行了定量分析。
• 浊流在3620米水深处产生了约1.6°C的温度异常。
• 单次事件诱发了瞬时异常热含量达3.56×10¹⁸ J。
引言
在海洋环境中,温度已被证明会显著
来源:Deep Sea Research Part I: Oceanographic Research Papers
时间:2026-09-29
-
低温钠离子电池中的溶剂化结构与界面化学
• 将Na⁺溶剂化化学与钠离子电池在亚零度下的失效机制联系起来。
• 阐明了体相传输、界面和电极动力学限制之间的耦合关系。
• 比较了适用于低温和宽温域钠离子电池的电解质策略。
• 强调了通过电极-电解质匹配来改善亚零度性能的重要性。
• 提供了将成分、溶剂化、传输和界面联系
来源:Current Opinion in Solid State and Materials Science
时间:2026-09-29
-
人类与机器的审美品味
摘要审美品味(aesthetic taste)至今仍是一种难以捉摸的现象,在心理学领域相比其他议题被研究得较少。我们认为,品味整合了四个维度:敏感性,即对某一领域内细微差异的辨识力;效价,即这些差异在情感上变得有所重要的方式;取向,即一种选择性地寻求能够进一步改造自身感受力的
来源:Current Opinion in Psychology
时间:2026-09-29
-
动作增量器:面向时序动作分割的动作增量学习
•我们提出了一种新颖的动作增量学习框架,用于时序动作分割(TAS)。•所提出的基于掩码的分割方法在增量学习中保持了时序一致性。•自适应知识蒸馏缓解了已学动作的灾难性遗忘问题。•基于掩码的伪标签减少了背景语义漂移。•Action-Incrementer 在TAS上优于代表性的持
来源:Computer Vision and Image Understanding
时间:2026-09-29
-
用于防止扩散模型中未授权图像生成的版权感知对抗性扰动
•SDPA通过干扰基于扩散的特征提取和风格模仿来保护图像版权。•结合扩散生成和SDEdit去噪,生成不可感知的对抗样本。•隐空间融合扰动优化保留了自然图像分布。•实验表明其对未授权风格迁移和模仿具有强效防御能力。引言近年来,扩散模型已成为计算机视觉领域最热门的话题之一(Cro
来源:Computer Vision and Image Understanding
时间:2026-09-29
-
利用近红外(NIR)光诱导的受限空间反应合成了功能化中空磁性纳米链,用于高效提取铀
•基于近红外(NIR)光的受限液滴反应器可实现具有高耐氧性的可控聚合。•中空磁性纳米链结构及氨基肟基团提供了丰富的活性识别位点。•这些吸附剂能够快速吸附铀,在60分钟内达到最大吸附能力的91.7%。•NH₂-AO-CT@HMNPs可用于从复杂海水中选择性富集铀。引言鉴于铀对核工业
来源:Desalination
时间:2026-09-29
-
面向结构保持低光照图像增强的几何感知深度引导表示学习
•几何感知深度先验促进了结构一致的低光表示学习。
•Retinex 分解实现了光照不变的跨模态特征表示。
•多尺度注意力学习改进了几何和外观特征的层次聚合。
•LOL-D 为几何感知的低光表示学习提供了基准。
引言
低光图像增强(LLIE)旨在从在退化照明条件下拍摄的图像中
来源:Computer Vision and Image Understanding
时间:2026-09-29
-
InDP:面向个性化的不可描述概念解耦
• InDP 实现了对无法用语言描述的概念的图像个性化,且无需类别名称。
• 边界框引导概念标记的初始化及解耦式标记学习。
• 一个新的多概念难以描述数据集,从定量和定性两方面验证了 InDP。
## 引言
个性化图像生成(Gal 等,2023;Ruiz 等,2023
来源:Computer Vision and Image Understanding
时间:2026-09-29
-
一种融合孔结构与化学环境先验信息的FT-Transformer模型,用于金属有机框架材料结构-性能关系的高性能预测
•一个由MOFs孔道结构和化学环境先验知识引导的机器学习模型。•基于先验知识驱动的吸附和传输性能预测增强。•在小样本场景下表现出强大的模型鲁棒性和泛化能力。•一种高效且功能强大的功能性MOFs筛选和设计工具。引言超高的比表面积以及可调的结构和孔道特性使MOFs在储氢[1],
来源:Chinese Journal of Chemical Engineering
时间:2026-09-29