論文の概要: Beyond Thermal Imaging: Inferring Thermophysical Properties from Time-Resolved Thermal Observations
- arxiv url: http://arxiv.org/abs/2607.07962v1
- Date: Wed, 08 Jul 2026 22:34:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-10 14:45:27.354835
- Title: Beyond Thermal Imaging: Inferring Thermophysical Properties from Time-Resolved Thermal Observations
- Title（参考訳）: 熱イメージングを超えて:時間分解熱観測から熱物性を推定する
- Abstract要約: 本研究では,サーマルシーンの再構成と熱物理パラメータ推定を統合化するためのフレームワークであるThermoFieldを紹介する。
このフレームワークは、ニューラルネットワークのシーン表現を微分可能熱伝達解法と統合することにより、複雑な3Dシーンで物理的に解釈可能なパラメータ推論を可能にする。
- 参考スコア（独自算出の注目度）: 23.55746228625883
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Inferring latent physical properties from sensory observations is a fundamental challenge in machine perception. Among available sensing modalities, thermal imaging is particularly promising because temperature evolution is directly governed by heat-transfer physics and therefore encodes information about underlying thermophysical properties of a scene. Recovering spatially resolved thermophysical properties from thermal observations could transform applications ranging from digital twins and infrastructure monitoring to robotics and scientific imaging. However, existing thermal scene reconstruction methods can recover temperature fields in complex 3D environments without identifying the thermophyiscal properties that govern thermal evolution, whereas inverse methods provide physically interpretable parameter estimation but typically rely on simplified geometries and controlled experimental conditions. Here we introduce ThermoField, a framework that unifies thermal scene reconstruction and thermophysical parameter estimation through differentiable heat-transfer simulation. The proposed framework represents these quantities as spatially varying neural fields and constrains them through scene geometry, governing heat-transfer physics, and temporal thermal observations. We demonstrate that ThermoField jointly reconstructs geometry, estimates spatially varying thermal diffusivity, and predicts thermal evolution under previously unseen environmental conditions. By integrating neural scene representations with differentiable heat-transfer solver, the framework enables physically interpretable parameter inference in complex 3D scenes. Our results establish a bridge between thermal scene reconstruction and inverse heat-transfer analysis, providing a unified approach for geometry reconstruction, thermophysical property estimation, and predictive thermal simulation from thermal observations.
- Abstract（参考訳）: 知覚観測から潜在物理的特性を推定することは、機械知覚の根本的な課題である。
温度変化は熱伝達物理によって直接支配されるため、熱画像は特に有望である。
熱観測から空間的に解決された熱物性を回収することで、デジタル双生児やインフラ監視からロボティクスや科学イメージングまで、応用を変革することができる。
しかし, 既存の熱環境再構築手法では, 熱進化を制御している熱植物特性を同定することなく, 複雑な3次元環境の温度場を復元することができる。
本稿では,熱環境の再構築と熱物理パラメータ推定を異種熱伝達シミュレーションにより統合するフレームワークであるThermoFieldを紹介する。
提案するフレームワークは,これらの量を空間的に変化するニューラルフィールドとして表現し,シーン幾何学,熱伝達物理,時間的熱観測によって制約する。
The ThermoFieldは、幾何学を共同で再構築し、空間的に変化する熱拡散率を推定し、これまで見えなかった環境条件下での熱進化を予測する。
このフレームワークは、ニューラルネットワークのシーン表現を微分可能熱伝達解法と統合することにより、複雑な3Dシーンで物理的に解釈可能なパラメータ推論を可能にする。
本研究は, 熱場再構成と逆熱伝達解析の橋渡しを行い, 幾何再構成, 熱物性推定, 熱観測による予測熱シミュレーションの統一的手法を提供する。
関連論文リスト
- MeGAS: Thermomechanical Dynamic Gaussian Splatting for Thermophysical Scene Editing [53.96914021628847]
熱力学的相変化ダイナミクスを3次元ガウススプラッティングに組み込んだMeGASを提案する(3DGS)。
MeGASは、物理統合された世界モデルに向けて、高忠実なフォトリアリスティックレンダリングを維持しながら、物理的に一貫した熱力学的挙動を生成する。
論文 参考訳（メタデータ） (2026-06-22T15:05:59Z) - A Convex Route to Thermomechanics: Learning Internal Energy and Dissipation [0.0]
完全に結合した熱力学におけるモデル発見のための物理に基づくニューラルネットワークフレームワークを提案する。
ヘルムホルツエネルギーに基づく古典的な定式化とは対照的に、内部エネルギーと散逸ポテンシャルを一次函数として採用する。
結果は,学習したモデルが基礎となる振る舞いを正確に捉えていることを示している。
論文 参考訳（メタデータ） (2026-03-30T17:26:13Z) - Learning to Reconstruct Temperature Field from Sparse Observations with Implicit Physics Priors [22.013633764284936]
温度場における測定の高コスト化と相当な分布変化は、再構成モデルの開発に挑戦する。
暗黙的な物理誘導型温度場再構成フレームワークであるIPTRを提案する。
我々はIPTRが既存の手法を一貫して上回り、最先端の再構築精度と強力な一般化能力を実現していることを示す。
論文 参考訳（メタデータ） (2025-12-01T02:22:30Z) - Physics-Informed Neural Networks for Thermophysical Property Retrieval [0.9668407688201359]
逆熱問題(英: inverse heat problem)とは、観測された熱拡散挙動や既知の熱拡散挙動によって与えられる物質的熱物性を推定することを指す。
本稿では,壁面の熱伝導率kを熱電図の集合から推定するためのPINNに基づく反復的枠組みを提案する。
論文 参考訳（メタデータ） (2025-11-28T18:41:08Z) - NTR-Gaussian: Nighttime Dynamic Thermal Reconstruction with 4D Gaussian Splatting Based on Thermodynamics [22.777703129471004]
NTR-ガウス法は温度を熱放射の一種として扱い、対流熱伝達や放射熱散逸などの要素を取り入れている。
NTR-Gaussian は熱再構成における比較法を著しく上回り、温度誤差を摂氏1度以内で予測した。
論文 参考訳（メタデータ） (2025-03-05T02:24:13Z) - Accessing the topological Mott insulator in cold atom quantum simulators
with realistic Rydberg dressing [58.720142291102135]
本稿では, コールド・ライドバーグ型原子を用いた光学格子の量子シミュレーションの現実的シナリオについて検討する。
本研究では, 平均場近似において, 半次および非共役充填時の位相図の詳細な解析を行う。
さらに、平均場近似における温度に対する相の安定性について検討する。
論文 参考訳（メタデータ） (2022-03-28T14:55:28Z) - Physics-based Learning of Parameterized Thermodynamics from Real-time
Thermography [0.0]
実時間サーモグラフィデータから熱過程のダイナミクスを学習するための物理に基づく新しいアプローチを提案する。
提案手法は雑音に対して頑健であり,パラメータ推定の精度向上に有効であることを示す。
論文 参考訳（メタデータ） (2022-03-24T16:06:31Z) - Uhlmann Fidelity and Fidelity Susceptibility for Integrable Spin Chains
at Finite Temperature: Exact Results [68.8204255655161]
奇数パリティ部分空間の適切な包含は、中間温度範囲における最大忠実度感受性の向上につながることを示す。
正しい低温の挙動は、2つの最も低い多体エネルギー固有状態を含む近似によって捉えられる。
論文 参考訳（メタデータ） (2021-05-11T14:08:02Z) - Near-Field Radiative Heat Transfer Eigenmodes [55.41644538483948]
ナノスケール物体間の近接場電磁相互作用は、放射熱伝達を増強する。
ナノ構造の集合体における放射熱伝達の時間的ダイナミクスを記述するための理論的枠組みを提案する。
論文 参考訳（メタデータ） (2021-02-10T23:14:30Z) - Adiabatic Sensing Technique for Optimal Temperature Estimation using
Trapped Ions [64.31011847952006]
捕捉イオンを用いた最適なフォノン温度推定のための断熱法を提案する。
フォノンの熱分布に関する関連する情報は、スピンの集合的な自由度に伝達することができる。
それぞれの熱状態確率は、各スピン励起構成に近似的にマッピングされることを示す。
論文 参考訳（メタデータ） (2020-12-16T12:58:08Z) - Analog cosmological reheating in an ultracold Bose gas [58.720142291102135]
超低温ボースガス中の一般宇宙論単体モデルの再加熱様ダイナミクスを量子シミュレーションする。
非相対論的極限において、拡大時空と背景振動インフラトン場を模倣する。
提案された実験は、弱い結合状態を超えても、最近まで進化を探求する可能性がある。
論文 参考訳（メタデータ） (2020-08-05T18:00:26Z)
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。