超越热成像：从时间分辨热观测推断热物理性质
论文提出ThermoField框架，通过可微分热传导模拟统一热场景重建和热物理参数估计。该框架利用神经场表示空间变化的热扩散率等属性，结合场景几何与热传导物理约束，从时间分辨热观测中联合重建几何、估计热扩散率并预测未见过环境下的热演化，为复杂3D场景中的物理可解释参数推断提供了统一方法。
热成像是感知场景物理特性的重要手段。温度演化受热传导物理定律直接支配，因此热观测中编码了场景的潜在热物理属性。从热观测中恢复空间分辨的热物理性质（如热扩散率）有望变革数字孪生、基础设施监控、机器人技术和科学成像等应用。然而，现有方法存在显著局限：热场景重建方法可以恢复复杂3D环境中的温度场，但无法识别控制热演化的热物理参数；而逆向方法虽然能提供物理可解释的参数估计，却通常依赖于简化几何和受控实验条件。
为解决这一矛盾，研究人员提出了ThermoField框架。该框架通过可微分热传导模拟，将热场景重建与热物理参数估计统一起来。其核心思想是使用神经场来表示空间变化的热物理量（例如热扩散率），并通过场景几何、热传导物理定律以及时间分辨的热观测来约束这些场的优化。ThermoField能够联合重建场景几何结构、估计空间变化的热扩散率，并预测在未见过的环境条件下的热演化过程。
具体的实现方式是将神经场景表示与可微分热传导求解器集成。在训练阶段，模型学习如何从热观测数据中同时推断几何和热物理参数。实验证明，该方法在复杂3D场景中能够实现物理可解释的参数推断，其性能优于传统方法。ThermoField的提出架起了热场景重建与逆向热传导分析之间的桥梁，为从热观测中进行几何重建、热物理性质估计以及预测性热模拟提供了一个统一框架。
这项工作的意义在于，它扩展了机器感知的能力边界，使得智能系统不仅能看到温度分布，还能理解背后的物理机理。未来，ThermoField有望在建筑能源管理、工业设备故障诊断、自动驾驶热场景理解等领域发挥重要作用。论文提交于2026年7月8日，目前正在审稿中。