超越熱成像：從時間分辨熱觀測推斷熱物理性質
論文提出ThermoField框架，通過可微分熱傳導模擬統一熱場景重建和熱物理參數估計。該框架利用神經場表示空間變化的熱擴散率等屬性，結合場景幾何與熱傳導物理約束，從時間分辨熱觀測中聯合重建幾何、估計熱擴散率並預測未見過環境下的熱演化，為複雜3D場景中的物理可解釋參數推斷提供了統一方法。
熱成像是感知場景物理特性的重要手段。温度演化受熱傳導物理定律直接支配，因此熱觀測中編碼了場景的潛在熱物理屬性。從熱觀測中恢復空間分辨的熱物理性質（如熱擴散率）有望變革數字孿生、基礎設施監控、機器人技術和科學成像等應用。然而，現有方法存在顯著侷限：熱場景重建方法可以恢復複雜3D環境中的温度場，但無法識別控制熱演化的熱物理參數；而逆向方法雖然能提供物理可解釋的參數估計，卻通常依賴於簡化幾何和受控實驗條件。
為解決這一矛盾，研究人員提出了ThermoField框架。該框架通過可微分熱傳導模擬，將熱場景重建與熱物理參數估計統一起來。其核心思想是使用神經場來表示空間變化的熱物理量（例如熱擴散率），並通過場景幾何、熱傳導物理定律以及時間分辨的熱觀測來約束這些場的優化。ThermoField能夠聯合重建場景幾何結構、估計空間變化的熱擴散率，並預測在未見過的環境條件下的熱演化過程。
具體的實現方式是將神經場景表示與可微分熱傳導求解器集成。在訓練階段，模型學習如何從熱觀測數據中同時推斷幾何和熱物理參數。實驗證明，該方法在複雜3D場景中能夠實現物理可解釋的參數推斷，其性能優於傳統方法。ThermoField的提出架起了熱場景重建與逆向熱傳導分析之間的橋樑，為從熱觀測中進行幾何重建、熱物理性質估計以及預測性熱模擬提供了一個統一框架。
這項工作的意義在於，它擴展了機器感知的能力邊界，使得智能系統不僅能看到温度分佈，還能理解背後的物理機理。未來，ThermoField有望在建築能源管理、工業設備故障診斷、自動駕駛熱場景理解等領域發揮重要作用。論文提交於2026年7月8日，目前正在審稿中。