مقاله ترجمه عنوان: ترانسفورمر پنهان دوتایی (BiLT): یک خودرمزگذار ناوردا نسبت به جابجایی برای جداسازی طیفی بدون کالیبراسیون محیط‌های کدر.

بازیابی دقیق خواص نوری در سطح اجزاء از اندازه‌گیری‌های گوی مجتمع، چالشی تحلیلی اساسی در تجزیه و تحلیل دارویی، علوم غذایی و تشخیص‌های زیست‌پزشکی است. خودرمزگذار شبکه‌های عصبی می‌توانند ضرایب جذب و پراکندگی تفکیک‌شده طیفی را برای هر جزء بدون دانش قبلی استخراج کنند، اما رمزگذارهای کاملاً متصل آن‌ها، ویژگی‌های آموخته‌شده را به شاخص‌های مطلق طول موج مرتبط می‌کنند و باعث از دست رفتن دقت در اثر انحراف کالیبراسیون طیف‌سنج یا تعویض سخت‌افزار می‌شوند. این پژوهش، خودرمزگذار ترنسفورمر با باینری نهفته (BiLT)-Autoencoder را معرفی می‌کند که در آن رمزگذار متراکم با یک اسکنر توجه متقابل جایگزین شده است: ۱۶ بردار کاوشگر قابل یادگیری، یک نقشه ویژگی کانولوشنی را پرس‌وجو کرده و اطلاعات طیفی مورفولوژیکی را مستقل از موقعیت مطلق طول موج تجمیع می‌کنند. یک رمزگشای خطی با محدودیت فیزیکی که جداسازی جذب/پراکنش در آن اجباری است و یک استراتژی افزایش دوره آموزشی سه فازی، معماری را تکمیل می‌کنند. در یک معیار فانتوم مایع (اینترالیپید و دو جاذب جوهر؛ ۴۹۶ نمونه)، مدل به ترتیب $R^2 = 0.979$ و $0.975$ را برای $μ_a(λ)$ و $μ_s'(λ)$ در طیف‌های آزمایشی نگه داشته شده به دست می‌آورد و $R^2 > 0.90$ برای $μ_a$ و $R^2 approx 0.99$ برای $μ_s'$ را در کل محدوده شیفت آزمایش شده $pm 10$ باند طیفی حفظ می‌کند. مدل بدون بازآموزی به یک طیف‌سنج شبیه‌سازی شده با شکل خط ابزار وسیع‌تر (تقریباً ۲۴ نانومتر FWHM) تعمیم می‌یابد و $R^2 approx 0.96$ و $0.974$ را برای دو کانال حفظ می‌کند. تحلیل نقشه توجه، یک استراتژی کاوشگر دو جزئی قابل تفسیر فیزیکی را آشکار می‌کند: کاوشگرهای لنگر پراکنده در طول موج‌های لبه جذب، همراه با یک مجموعه پراکنده و وابسته به نسبت سیگنال به نویز در ناحیه طول موج بلند با عبوردهی بالا، که کاوشگرهای اضافی را به طور پویا تحت نویز برای میانگین‌گیری طیفی ضمنی فرا می‌خواند.

The accurate recovery of constituent-level optical properties from integrating sphere measurements is a central analytical challenge in pharmaceutical analysis, food science, and biomedical diagnostics. Neural network autoencoders can extract spectrally resolved absorption and scattering coefficients for each constituent without prior knowledge, but their fully connected encoders bind learned features to absolute wavelength indices, causing accuracy loss under spectrometer calibration drift or hardware exchange. This work introduces the Bin Latent Transformer (BiLT)-Autoencoder, in which the dense encoder is replaced by a cross-attention scanner: 16 learnable probe vectors query a convolutional feature map, aggregating morphological spectral information independently of absolute wavelength position. A physics-constrained linear decoder with enforced absorption/scattering separation and a three-phase curriculum augmentation strategy complete the architecture. On a liquid phantom benchmark (intralipid and two ink absorbers; 496 samples), the model achieves $R^2 = 0.979$ and $0.975$ for $μ_a(λ)$ and $μ_s'(λ)$, respectively, on held-out test spectra, maintaining $R^2 > 0.90$ for $μ_a$ and $R^2 approx 0.99$ for $μ_s'$ across the full tested shift range of $pm 10$ spectral bands. The model generalises to a simulated spectrometer with a broader instrument line shape (${approx}24$nm FWHM) without retraining, retaining $R^2 approx 0.96$ and $0.974$ for the two channels. Attention map analysis reveals a physically interpretable two-component probe strategy: sparse anchor probes at absorption-edge wavelengths combined with a diffuse, SNR-driven ensemble at the high-transmittance long-wavelength region, which recruits additional probes dynamically under noise to provide implicit spectral averaging.