論文の概要: Neural Field Thermal Tomography: A Differentiable Physics Framework for Non-Destructive Evaluation
- arxiv url: http://arxiv.org/abs/2603.11045v1
- Date: Wed, 11 Mar 2026 17:59:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-12 16:22:33.099142
- Title: Neural Field Thermal Tomography: A Differentiable Physics Framework for Non-Destructive Evaluation
- Title（参考訳）: ニューラルフィールド熱トモグラフィー:非破壊評価のための微分可能な物理フレームワーク
- Authors: Tao Zhong, Yixun Hu, Dongzhe Zheng, Aditya Sood, Christine Allen-Blanchette,
- Abstract要約: 本研究では,過渡表面温度測定から材料特性を定量的に再現する物理フレームワークを提案する。
NeFTYは、3次元微分場を厳密な数値解法によって最適化された連続神経場としてパラメータ化する。
提案手法は,高分解能3次元トモグラフィに必要なメモリ効率を維持しつつ,熱力学的法則をハード制約として適用する。
- 参考スコア（独自算出の注目度）: 3.697746606429496
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose Neural Field Thermal Tomography (NeFTY), a differentiable physics framework for the quantitative 3D reconstruction of material properties from transient surface temperature measurements. While traditional thermography relies on pixel-wise 1D approximations that neglect lateral diffusion, and soft-constrained Physics-Informed Neural Networks (PINNs) often fail in transient diffusion scenarios due to gradient stiffness, NeFTY parameterizes the 3D diffusivity field as a continuous neural field optimized through a rigorous numerical solver. By leveraging a differentiable physics solver, our approach enforces thermodynamic laws as hard constraints while maintaining the memory efficiency required for high-resolution 3D tomography. Our discretize-then-optimize paradigm effectively mitigates the spectral bias and ill-posedness inherent in inverse heat conduction, enabling the recovery of subsurface defects at arbitrary scales. Experimental validation on synthetic data demonstrates that NeFTY significantly improves the accuracy of subsurface defect localization over baselines. Additional details at https://cab-lab-princeton.github.io/nefty/
- Abstract（参考訳）: 本研究では,過渡表面温度測定から材料特性を定量的に再現する物理フレームワークNeFTYを提案する。
従来のサーモグラフィでは、横方向の拡散を無視するピクセルワイド1D近似と、勾配剛性による過渡拡散シナリオでソフト制約された物理情報ニューラルネットワーク(PINN)が失敗することが多いが、NeFTYは、厳密な数値解法によって最適化された連続神経場として3D微分場をパラメータ化している。
高分解能3次元トモグラフィに必要なメモリ効率を維持しつつ, 熱力学的法則を厳密な制約として適用した。
我々の離散化最適化パラダイムは、逆熱伝導に固有のスペクトルバイアスと不均一性を効果的に緩和し、任意のスケールで地下欠陥の回復を可能にする。
合成データの実験的検証により、NeFTYはベースライン上の表面欠陥局在の精度を著しく向上することが示された。
詳細はhttps://cab-lab-princeton.github.io/nefty/にある。
関連論文リスト
- Physics-Informed Neural Networks with Architectural Physics Embedding for Large-Scale Wave Field Reconstruction [8.953088273349499]
物理情報ニューラルネットワーク(PINN)は、物理原理を機械学習モデルに統合する。
PINNは損失関数のみに物理原理を組み込むため、収束が遅くなり、安定性が最適化され、スペクトルバイアスが生じる。
この研究は、ニューラルネットワークアーキテクチャに直接追加の物理ガイダンスを統合するアーキテクチャ物理学組み込み(PE)-PINNを導入している。
論文 参考訳（メタデータ） (2026-02-13T04:28:23Z) - Real-time distortion prediction in metallic additive manufacturing via a physics-informed neural operator approach [3.607834195988809]
本稿では,将来の15秒間におけるzおよびy方向予測のための物理インフォームド・スマートニューラルホライゾン演算子(PINO)を提案する。
PINOモデルの性能は、欠陥の制御におけるリアルタイムの時間歪み場予測の可能性を強調している。
論文 参考訳（メタデータ） (2025-11-17T09:37:04Z) - PHASE-Net: Physics-Grounded Harmonic Attention System for Efficient Remote Photoplethysmography Measurement [63.007237197267834]
既存のディープラーニング手法は、主に生理学的モニタリングであり、理論的な堅牢性を欠いている。
本研究では,Navier-Stokes方程式のヘモダイナミックスから導かれる物理インフォームド r パラダイムを提案し,パルス信号が2次系に従うことを示す。
これは、時間的円錐ネットワーク(TCN)を使用する理論的正当性を提供する。
Phase-Netは高い効率で最先端のパフォーマンスを実現し、理論上は基礎的でデプロイ可能な r ソリューションを提供する。
論文 参考訳（メタデータ） (2025-09-29T14:36:45Z) - Thin-Shell-SfT: Fine-Grained Monocular Non-rigid 3D Surface Tracking with Neural Deformation Fields [66.1612475655465]
RGBビデオから変形可能な表面を3Dで再現することは難しい問題だ。
既存の方法は、統計的、神経的、物理的に先行する変形モデルを使用する。
我々は,非剛性3次元トラッキングメッシュの新しい手法であるThinShell-SfTを提案する。
論文 参考訳（メタデータ） (2025-03-25T18:00:46Z) - Physics-constrained coupled neural differential equations for one dimensional blood flow modeling [0.3749861135832073]
計算心血管モデリングは、血流動態を理解する上で重要な役割を担っている。
有限要素法(FEM)に基づく従来の1次元モデルは、3次元平均解に比べて精度が低いことが多い。
本研究では1次元血流モデルの精度を向上させる物理制約付き機械学習手法を提案する。
論文 参考訳（メタデータ） (2024-11-08T15:22:20Z) - PhyRecon: Physically Plausible Neural Scene Reconstruction [81.73129450090684]
PHYRECONは、微分可能なレンダリングと微分可能な物理シミュレーションの両方を利用して暗黙的な表面表現を学習する最初のアプローチである。
この設計の中心は、SDFに基づく暗黙の表現と明示的な表面点の間の効率的な変換である。
また,物理シミュレータの安定性も向上し,全データセットに対して少なくとも40%の改善が得られた。
論文 参考訳（メタデータ） (2024-04-25T15:06:58Z) - {\phi}-SfT: Shape-from-Template with a Physics-Based Deformation Model [69.27632025495512]
Shape-from-Template (SfT) 法では、単一の単眼RGBカメラから3次元表面の変形を推定する。
本稿では,物理シミュレーションによる2次元観察を解説する新しいSfT手法を提案する。
論文 参考訳（メタデータ） (2022-03-22T17:59:57Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。