← 返回 2026-03-13

神经场热层析成像：用于无损检测的可微物理框架 Neural Field Thermal Tomography: A Differentiable Physics Framework for Non-Destructive Evaluation

Tao Zhong, Yixun Hu, Dongzhe Zheng, Aditya Sood, Christine Allen-Blanchette 📅 2026-03-11 👍 2 2026-07-13 08:36
可微物理 无损检测 热成像 神经场 逆问题
arXiv HuggingFace PDF

硬约束神经场求解三维逆热传导问题，超越软约束PINN

前置知识

逆热传导问题(IHCP)

从表面温度测量恢复内部材料热扩散率场的问题。热传导方程是抛物型偏微分方程，具有强平滑特性：内部高频特征在到达边界前会被指数衰减。例如，深度为z的缺陷在时刻t的表面温度信号幅度被exp(-z²/(4αt))抑制，导致从边界数据推断内部结构成为严重不适定问题，需要强正则化才能稳定求解。

本文核心任务是IHCP，理解其不适定性是理解为什么软约束PINN会失败的前提

硬约束vs软约束

软约束方法（如PINN）将物理方程作为残差惩罚项加入损失函数，优化时允许方程有误差。硬约束方法将物理方程嵌入优化循环，每步都精确满足离散化方程。例如，软约束的损失L = Ldata + λLPDE，而硬约束通过求解器强制A(α)Tₙ₊₁ = Tₙ。在刚度问题中，软约束的梯度被残差主导，而硬约束保证数据梯度直接流向参数。

本文的核心创新是采用硬约束框架，这是区别于传统PINN的关键

伴随方法

一种高效的梯度计算技术，通过反向传播伴随状态计算参数梯度，避免存储完整时间轨迹。对于隐式求解器A(α)Tₙ₊₁ = Tₙ，伴随方程为A(α)ᵀμₙ = μₙ₊₁ + ∂ℓₙ/∂Tₙᵀ，其中μₙ是伴随变量。内存复杂度从O(KNgNt)降低到O(Ng)，其中Ng是网格节点数，Nt是时间步数，K是内迭代次数。

NeFTY的效率优势来自于伴随方法，使得在单GPU上进行实时反演成为可能

调和平均

处理高对比度界面通量连续性的离散格式。对于相邻单元的扩散率αᵢ和αᵢ₊₁，界面处的有效扩散率为ᾱᵢ₊₁/₂ = 2αᵢαᵢ₊₁/(αᵢ+αᵢ₊₁)。当αᵢ₊₁≪αᵢ（如缺陷与本体材料界面），ᾱ≈2αᵢ₊₁，通量被较小值主导，符合物理热阻行为。算术平均会高估通量，导致深度估计系统性偏低。

调和平均是NeFTY处理材料界面的关键技术，确保离散格式与物理一致

研究动机

现有的软约束物理信息神经网络在求解刚度抛物型逆问题时存在根本性缺陷。以逆热传导问题为例，热传导算子是紧致且强平滑的：内部高频空间频率在到达边界前被衰减，从内部材料属性到表面测量的映射破坏了反演所需的大部分信息。在实验中，标准PINN可以达到表面PSNR约63 dB，但体积分割IoU仅为0.01；SPINN达到表面PSNR约61 dB，IoU仅为0.000。这说明软约束方法能很好地拟合边界数据，但无法恢复内部结构——这就是所谓的数据拟合悖论：低表面误差不意味着正确的体积分割。

本文的目标是本文目标是实现从仅有的表面热成像序列恢复三维热扩散率场的无标签重建。具体而言，给定高速相机记录的表面温度衰减序列，恢复体扩散率场α(x,y,z)。需要在没有任何3D真值标签的情况下，在合成均匀和分层设置上达到体积分割IoU大于等于0.35，在真实PVC数据上达到2D分割IoU大于等于0.40和2.5D深度Abs Rel小于等于0.50。

与已有工作不同的是，现有工作无法有效解决体积反演问题。经典热成像管道（TSR、PPT、VWC）将时序数据变换到缺陷对比度增强的域，但简化为1D逐像素反演，忽略横向扩散并对浅层或低宽高比缺陷产生偏差。监督体积学习避免了这些问题但需要3D真值标签，在真实NDT中不可用。NeFTY的独特切入点是将坐标基神经场先验与可微分隐式热求解器结合，将热方程作为硬约束而非软残差惩罚执行，同时通过伴随梯度在求解器级内存代价下传播表面重建误差。

核心方法

NeFTY通过在每一步优化步骤中将热方程强制执行为硬约束而非软残差惩罚，直接最小化重建目标J。框架耦合三个组件：(i)连续坐标基参数化αθ(x)，提供低维可微先验；(ii)体方程∂tT = ∇·(α∇T)的有限体积隐式欧拉离散化，其界面通量通过调和平均模板恢复；(iii)离散伴随，通过同一稀疏系统将表面保真梯度反向传播到θ。构造上，每步的离散温度是由αθ驱动的离散PDE的解，因此软约束的梯度解耦不可能发生。方法分为神经网络扩散率场、硬约束可微分物理、伴随优化三个模块。

NeFTY的核心创新点在于将物理方程作为硬约束嵌入优化循环，而非作为损失函数中的软残差惩罚。这与传统PINN形成本质区别：在PINN中∇θLdata = 0，表面观测只能通过残差项间接影响θ，而在NeFTY中θ→αθ→T→Jdisc的依赖链是完整的，表面数据通过离散热算子的伴随为θ提供非零梯度。第二个关键创新是伴随梯度的使用，将内存复杂度从O(KNgNt)降低到O(Ng)，使得在单GPU上进行测试时反演成为可能。

方法步骤详情

NeFTY的完整方法步骤如下：首先，坐标MLP fθ将每个网格节点x通过频率退火的位置编码γ(·)映射到有界扩散率αθ(x)。编码采用正弦/余弦函数，带宽N=12，并采用余弦频率退火逐步解掩编码频段。网络输出被硬约束到物理容许范围αθ(x)=αmin+(αmax-αmin)σ(fθ(γ(x)))，其中σ是logistic sigmoid。其次，有限体积隐式欧拉求解器在笛卡尔网格上演化温度Tn，二阶有限体积扩散算子L(αθ)在内部节点处的作用使用调和平均系数。隐式欧拉步为A(αθ)Tn+1 = Tn，A(αθ) := I-∆tL(αθ)，通过K=50次展开的Jacobi迭代在GPU上求解。最后，伴随优化引入伴随变量μn作为状态残差的拉格朗日乘子，反向递归A(αθ)ᵀμn = μn+1+∂ℓn/∂Tnᵀ，μNt+1=0，参数梯度通过组装公式计算，其中∂αθ/∂θ是标准MLP雅可比。

技术新颖性

NeFTY的技术新颖性体现在多个方面。首先，将硬约束可微分物理与坐标基神经场结合，这是首次将这种范式应用于热IHCP。其次，证明了软约束PINN在刚度抛物型反演中的梯度病态性：∇θLdata=0是结构性的，GradNorm、SPINN、Causal-PINN、DCGD等变体都无法解决这个解耦。第三，采用了频率退火和有界输出来稳定高频优化，对抗代数噪声放大。第四，调和平均系数恢复了高对比度界面的有效通量连续性，这是唯一离散实现。第五，离散伴随方法在保持模拟精度的同时，将峰值GPU内存从18.63 GB降低到21.9 MB，降低了三个数量级。

NeFTY pipeline. A coordinate MLP ftheta maps each grid node x through a frequency-annealed positional encoding into a bounded diffusivity alphatheta(x). A differentiable implicit-Euler solver with harmonic-mean coefficients evolves the temperature Tn on a Cartesian grid. Surface frames are compared to measurements; the adjoint state mun is propagated backward through the same sparse system to assemble the gradient on theta at constant memory in time.
Figure 3: NeFTY pipeline. A coordinate MLP ftheta maps each grid node x through a frequency-annealed positional encoding into a bounded diffusivity alphatheta(x). A differentiable implicit-Euler solver with harmonic-mean coefficients evolves the temperature Tn on a Cartesian grid. Surface frames are compared to measurements; the adjoint state mun is propagated backward through the same sparse system to assemble the gradient on theta at constant memory in time.

实验结果

NeFTY在合成和真实数据上都取得了显著优于基线的结果。在合成均匀设置上，NeFTY达到MSE 3.66×10⁻⁴、PSNR 18.48 dB、SSIM 0.77、IoU 0.45；在分层设置上达到MSE 9.26×10⁻⁴、PSNR 15.88 dB、SSIM 0.74、IoU 0.37。相比之下，软约束PINN变体和体素网格基线的IoU保持在或接近零。消融实验显示各组件的贡献：位置编码和频率退火将IoU从0.03提升到0.14；有界sigmoid输出防止漂移到不适定 regimes；调和平均系数恢复高对比度界面的有效通量连续性；TV正则化器将近乎加倍IoU到0.45/0.37。在真实PVC数据上，NeFTY在所有指标上都是最佳无标签方法，2D分割达到IoU 0.431和Dice 0.597，2.5D深度达到Abs Rel 0.465和δ小于1.25指标0.385。计算效率方面，NeFTY在9.6分钟内收敛，比Grid Opt.(8.0分钟)略慢，但比PINN族(18.2-58.3分钟)快1.9倍到6.1倍，尽管PINN基线有2.2倍更多迭代和2倍更多参数。峰值GPU内存4.3 GB由前向求解展开的Jacobi迭代主导；离散伴随保持反向扫描在Nt上的常数内存，与标准反向传播的O(KNgNt)形成对比。

Label-free 3D thermal diffusivity reconstruction on synthetic 1,000-sample benchmark (mean plus minus 95% CI).
Table 1: Label-free 3D thermal diffusivity reconstruction on synthetic 1,000-sample benchmark (mean plus minus 95% CI).
Real PVC evaluation: NeFTY is the best label-free method on every metric for both 2D segmentation and 2.5D depth.
Table 2: Real PVC evaluation: NeFTY is the best label-free method on every metric for both 2D segmentation and 2.5D depth.
Ablation of NeFTY: each row adds one component (H/L = homogeneous/Layered).
Table 3: Ablation of NeFTY: each row adds one component (H/L = homogeneous/Layered).
Hyperparameter configuration for NeFTY on the synthetic benchmark.
Table 5: Hyperparameter configuration for NeFTY on the synthetic benchmark.
Robustness breakdown of Table 1. PSNR and IoU stratified by defect count (Homogeneous, 1 to 4 defects) and layer count (Layered Composite, 3 and 4 layers, each with 1 to 4 defects).
Table 6: Robustness breakdown of Table 1. PSNR and IoU stratified by defect count (Homogeneous, 1 to 4 defects) and layer count (Layered Composite, 3 and 4 layers, each with 1 to 4 defects).
Surface-temperature reconstruction error. For each method we re-simulate the temperature with the recovered alphatheta and compare to the ground-truth surface frames.
Table 7: Surface-temperature reconstruction error. For each method we re-simulate the temperature with the recovered alphatheta and compare to the ground-truth surface frames.
Cumulative ablation in full. Each row adds one component to the previous configuration, mean plus minus 95% CI across the 1,000-sample synthetic benchmark.
Table 8: Cumulative ablation in full. Each row adds one component to the previous configuration, mean plus minus 95% CI across the 1,000-sample synthetic benchmark.
Training-level wall-clock and memory per specimen on a single NVIDIA RTX PRO 6000 (96 GB), the training-level companion to the solver-level Table 4 in the main body.
Table 9: Training-level wall-clock and memory per specimen on a single NVIDIA RTX PRO 6000 (96 GB), the training-level companion to the solver-level Table 4 in the main body.
Homogeneous-setting reconstructions: depth-wise z-slices show NeFTY isolating defect outlines at the correct depth while Grid Opt. yields a noisy field and PINN variants converge to near-uniform diffusivity.
Figure 4: Homogeneous-setting reconstructions: depth-wise z-slices show NeFTY isolating defect outlines at the correct depth while Grid Opt. yields a noisy field and PINN variants converge to near-uniform diffusivity.
Layered-setting reconstructions: NeFTY recovers defects against the stratified bulk, whereas Grid Opt. exhibits ringing artifacts and PINN variants again collapse to featureless fields.
Figure 5: Layered-setting reconstructions: NeFTY recovers defects against the stratified bulk, whereas Grid Opt. exhibits ringing artifacts and PINN variants again collapse to featureless fields.
Real PVC reconstruction: NeFTY recovers both the defect layout (Row 1) and the depth ordering (Row 2) from a single surface IR sequence, while PPT/TSR yield coarse depth and SPINN collapses to a near-uniform field.
Figure 6: Real PVC reconstruction: NeFTY recovers both the defect layout (Row 1) and the depth ordering (Row 2) from a single surface IR sequence, while PPT/TSR yield coarse depth and SPINN collapses to a near-uniform field.
Surface-temperature error maps over time for a representative three-defect specimen. NeFTY attains the lowest residual error throughout the decay; Grid Opt. and PINN exhibit structured residuals that persist and diffuse outward.
Figure 7: Surface-temperature error maps over time for a representative three-defect specimen. NeFTY attains the lowest residual error throughout the decay; Grid Opt. and PINN exhibit structured residuals that persist and diffuse outward.
Training dynamics of the four PINN variants compared to NeFTY (representative homogeneous specimen, identical y-axis scale across panels).
Figure 8: Training dynamics of the four PINN variants compared to NeFTY (representative homogeneous specimen, identical y-axis scale across panels).
Radial power spectrum computed over a 16x16x8 defect crop and radially averaged across the same 1,000-sample homogeneous benchmark.
Figure 9: Radial power spectrum computed over a 16x16x8 defect crop and radially averaged across the same 1,000-sample homogeneous benchmark.
查看结构化数据
任务指标本文基线提升
合成3D扩散率重建(均匀) IoU 0.45 PINN: 0.015, SPINN: 0.001, Grid Opt.: 0.04 比PINN提升30倍，比Grid Opt.提升11.25倍
合成3D扩散率重建(分层) IoU 0.37 PINN: 0.018, SPINN: 0.000, Grid Opt.: 0.03 比PINN提升20.6倍，比Grid Opt.提升12.3倍
真实PVC 2D分割 IoU 0.431 PPT: 0.419, TSR: 0.346, SPINN: 0.050, Grid Opt.: 0.395 比PPT提升2.9%，比TSR提升24.6%，比SPINN提升762%
真实PVC 2.5D深度 Abs Rel 0.465 PPT: 3.416, TSR: 13.366, SPINN: 6.737, Grid Opt.: 0.941 比PPT提升86.4%，比TSR提升96.5%，比Grid Opt.提升50.6%
合成表面温度重建(均匀) PSNR (dB) 82.33 PINN: 63.04, Grid Opt.: 75.51 比PINN提升30.6%，比Grid Opt.提升9.0%

局限与改进

作者承认NeFTY有一些局限性。首先，测试时逆问题求解器的延迟高于监督前馈反演，每样本优化需要9.6分钟。其次，在极高对比度空洞内的定量恢复会衰减，缺陷到本体扩散率比设置为约1比20而非现实的>1比1000，因为在1比1000时线性系统A(αθ)=I-∆tL(αθ)变得严重不适定，迭代求解器停滞。第三，评估针对投影的2D和2.5D监督，因为公共NDT基准尚不提供3D体积真值。作者的观察包括：NeFTY在单GPU上的内存效率(4.3 GB)使其适用于实际NDT场景，但计算速度仍需提升以实现实时检测。消融实验显示TV正则化器的贡献最大，将近一半的IoU提升来自这一组件，说明先验选择的重要性。频率域诊断显示NeFTY是唯一其恢复场携带可检测缺陷尺度梯度的无标签方法，Edge F1为0.470正负0.137，而Grid Opt.为0.029正负0.036，PINN族为0.000。

独立分析的弱点

NeFTY的独立分析弱点包括：(1)计算延迟：每样本9.6分钟的优化时间对于高通量检测场景可能不可接受。改进方向是通过元学习或超网络进行摊销初始化，预训练一个快速初始化器减少优化步数。(2)高对比度缺陷恢复：在极高对比度(>1比1000)空洞内定量恢复衰减。改进方向是在可微分循环中使用预处理求解器，或引入自适应网格细化在缺陷区域增加分辨率。(3)频率退火敏感性：编码带宽N的选择影响重建质量，过高会暴露于代数噪声放大，过低会限制界面分辨率。改进方向是自适应带宽选择，根据表面信号复杂度自动调整N。(4)边界条件敏感性：真实数据中的对流边界条件需要校准对流系数h。改进方向是联合学习h或使用贝叶斯方法量化边界不确定性。(5)缺乏体积真值：由于没有3D真值，只能评估投影的2D/2.5D指标。改进方向是配对计算断层扫描标签进行完整体积评估。

未来方向

作者提出的未来工作方向包括：摊销初始化通过元学习或超网络减少每样本优化成本；预处理求解器处理高对比度区域；配对CT标签进行完整体积评估。基于成果可延伸的方向：(1)多模态融合：将热成像与其他NDT模态(超声、X射线)结合，提供互补信息。(2)动态检测：扩展到移动传感器或在线检测场景，处理时变边界条件。(3)不确定性量化：通过贝叶斯NeFTY或集成方法提供重建不确定性估计，支持安全关键应用的决策。(4)实时优化：通过模型降阶或自适应网格加速求解器，实现近实时检测。(5)跨材料泛化：探索在金属、复合材料等不同材料类别上的泛化能力，可能通过材料嵌入或适应模块实现。

复现评估

NeFTY的复现评估：(1)开源情况：论文提供了附加材料网站，但未明确说明代码开源。完整消融、逐难度分解、训练级壁钟和内存分析在附录中详细报告，增强了可复现性。(2)数据：合成数据使用PhiFlow有限体积引擎生成，避免逆犯罪；真实PVC数据集使用公开基准。数据生成程序、维度分析、计算资源在附录中详细记录。(3)算力：实验在混合基础设施上执行，本地工作站用于控制基准测试，高性能计算集群用于大规模合成数据生成。本地服务器配备32核CPU和两个NVIDIA RTX PRO 6000 Blackwell GPU(96GB VRAM)，HPC集群节点配备双26核CPU和八个NVIDIA L40 GPU。单样本重建限制在单GPU上执行，确保效率分析的一致性。(4)难度：方法实现复杂度高，涉及可微分物理求解器、伴随方法、调和平均界面处理等多个技术组件。但详细的超参数表和逐步推导降低了实现难度。合成和真实数据集都是公开的，便于复现和比较。(5)潜在问题：未明确说明代码许可证，未提供预训练模型或检查点，增加了完整复现的难度。真实数据集的物理参数(如对流系数h)需要校准，可能影响跨实验室复现。

论文图表

IHCP setup. A high-speed camera measures the transient surface temperature following pulsed laser heating; NeFTY reconstructs the 3D subsurface diffusivity field from these measurements.
Figure 1: IHCP setup. A high-speed camera measures the transient surface temperature following pulsed laser heating; NeFTY reconstructs the 3D subsurface diffusivity field from these measurements.

该图展示了逆热传导问题的实验装置和NeFTY的任务。左部分显示脉冲激光加热试样表面，高速相机记录瞬态表面温度衰减；右部分显示NeFTY从这些测量重建3D表面下扩散率场。图中显示了表面温度随时间的变化和3D缺陷的示意位置。

这张图对理解论文重要，因为它直观地展示了NDT的工作流程和NeFTY的目标：从表面观测恢复内部结构。它建立了物理场景和数学问题的联系，帮助读者理解为什么这是一个反问题。

Empirical ill-posedness. Distinct interiors yield nearly indistinguishable surface profiles, illustrating Prop. 2.
Figure 2: Empirical ill-posedness. Distinct interiors yield nearly indistinguishable surface profiles, illustrating Prop. 2.

该图展示了IHCP的经验不适定性。四行分别显示均匀alpha(3D)和缺陷alpha(3D)的体扩散率场，以及对应的初始表面温度和最终表面温度。可以看到，不同的内部结构(左侧均匀，右侧有缺陷)产生了几乎无法区分的表面温度轮廓，验证了关于紧致性和代数奇异值衰减的结论。

这张图对理解论文重要，它直观地展示了IHCP的核心挑战：内部信息在边界处严重丢失。这是为什么软约束PINN会失败的根本原因，也是为什么NeFTY需要强先验和硬约束的动机。

Table 4: Solver-level efficiency benchmark: our discrete adjoint method (AM) matches the simulation accuracy of autograd (AD) while reducing peak GPU memory by orders of magnitude.

该表报告了求解器级效率基准，比较离散伴随方法(AM)与自动微分(AD)和PhiFlow。指标包括前向时间(秒)、后向时间(秒)、峰值内存和模拟误差。在单个64x64x16样本上50时间步，AM与AD的模拟误差相同，但峰值GPU内存从18.63 GB降低到21.9 MB，降低了三个数量级。AM的前向和后向时间也比AD快约3倍。

这个表格对理解论文重要，它量化了伴随方法的内存和速度优势，这是NeFTY实用的关键。它还证明了AM不损失精度，与AD的误差完全相同。