在机器感知中，从感官观测中推断潜在物理属性是一项基本挑战。热成像作为一种有前景的传感方式，其温度演变直接受热传递物理规律的支配，因此能够编码场景中潜在热物理属性的信息。通过热观测恢复空间分辨的热物理属性，能够改变数字双胞胎、基础设施监测、机器人技术和科学成像等应用。
现有的热场重建方法能够在复杂的三维环境中恢复温度场，但无法识别支配热演变的热物理属性；而逆向方法虽然提供了物理可解释的参数估计，但通常依赖于简化的几何形状和受控的实验条件。
为此，我们提出了ThermoField框架，统一了热场重建和热物理参数估计，通过可微分的热传递仿真实现。该框架将这些量表示为空间变化的神经场，并通过场景几何、支配热传递物理以及时间热观测进行约束。我们展示了ThermoField能够联合重建几何形状，估计空间变化的热扩散率，并在以前未见的环境条件下预测热演变。
通过整合神经场景表示与可微分热传递求解器，该框架在复杂三维场景中实现了物理可解释的参数推断。我们的结果在热场重建和逆热传递分析之间建立了桥梁，为从热观测中进行几何重建、热物理属性估计和预测热仿真提供了统一的方法。
博主点评： 该研究为热成像技术带来了新的视角，通过将热场重建与热物理属性估计结合，展示了在复杂环境中进行物理推断的潜力，极大地拓展了热成像的应用范围，尤其是在实时监测和科学研究领域的前景值得期待。