Neural Electromagnetic Fields for High-Resolution Material Parameter Reconstruction
作者: Zhe Chen, Peilin Zheng, Wenshuo Chen, Xiucheng Wang, Yutao Yue, Nan Cheng
分类: cs.CV, eess.SP
发布日期: 2026-03-03
备注: 10 pages, 5 figures
💡 一句话要点
NEMF：用于高分辨率材料参数重建的神经电磁场方法
🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 数字孪生 材料参数重建 物理反演 神经电磁场 非侵入式传感
📋 核心要点
- 现有数字孪生方法缺乏对材料属性的建模能力，导致功能不完整，无法进行精确的物理模拟。
- NEMF通过解耦几何、环境场和材料属性，将病态反演问题转化为适定的物理监督学习任务。
- 实验表明，NEMF能够高精度地重建材料参数，并生成可用于高保真物理模拟的功能性数字孪生体。
📝 摘要（中文）
创建功能性数字孪生体，即可模拟的真实世界3D复制品，是计算机视觉领域的核心挑战。现有的NeRF等方法虽然能生成视觉效果丰富的孪生体，但在功能上并不完整。关键障碍在于缺乏潜在的材料属性（例如，介电常数、电导率）。通过非接触、非侵入式传感获取场景中每个点的这些信息是主要目标，但这需要解决一个众所周知的病态物理反演问题。诸如图像和射频（RF）之类的标准遥感信号，将未知的几何形状、环境场和目标材料深度地纠缠在一起。我们引入NEMF，这是一个用于密集、非侵入式物理反演的新框架，旨在构建功能性数字孪生体。我们的关键见解是一种系统的解耦策略。NEMF利用来自图像的高保真几何形状作为强大的锚点，首先能够解析环境场。通过仅使用非侵入式数据约束几何形状和场，原始的病态问题转化为一个适定的、物理监督的学习任务。这种转变解锁了我们的核心反演模块：一个解码器。在环境射频信号和包含物理反射模型的可微层的指导下，它学习显式地输出场景底层材料参数的连续、空间变化的场。我们在高保真合成数据集上验证了我们的框架。实验表明，我们的非侵入式反演能够高精度地重建这些材料图，并且由此产生的功能性孪生体能够实现高保真物理模拟。这一进展超越了被动的视觉复制品，从而能够创建物理世界的真正功能性和可模拟的模型。
🔬 方法详解
问题定义：论文旨在解决从非侵入式遥感数据（如图像和射频信号）中重建场景中每个点的材料参数（如介电常数和电导率）的问题。现有方法难以从这些信号中解耦几何形状、环境场和材料属性，导致反演问题成为一个病态问题，难以获得准确的材料参数。
核心思路：论文的核心思路是利用高保真几何信息作为先验知识，通过解耦策略将病态反演问题转化为一个适定的物理监督学习问题。具体来说，首先利用图像重建高精度的几何形状，然后利用该几何形状作为锚点来解析环境场，最后在几何形状和环境场的约束下，学习一个解码器来输出材料参数。
技术框架：NEMF框架包含以下主要模块：1) 高保真几何重建模块：利用图像数据重建场景的3D几何形状。2) 环境场解析模块：利用重建的几何形状和射频信号解析环境电磁场。3) 材料参数反演模块：利用环境电磁场和物理反射模型，学习一个解码器来输出场景的材料参数。该解码器以空间位置为输入，输出该位置的材料参数。
关键创新：NEMF的关键创新在于其系统的解耦策略，该策略能够有效地将病态反演问题转化为一个适定的物理监督学习问题。通过利用高保真几何信息作为先验知识，并结合物理反射模型，NEMF能够实现高精度的材料参数重建。此外，NEMF采用神经表示方法，能够输出连续、空间变化的材料参数场。
关键设计：NEMF的关键设计包括：1) 使用NeRF等方法进行高保真几何重建。2) 使用可微的物理反射模型，将材料参数与环境电磁场联系起来。3) 使用MLP作为解码器，学习从空间位置到材料参数的映射。4) 使用物理监督损失函数，例如电磁场的边界条件和反射定律，来约束解码器的学习。
🖼️ 关键图片
📊 实验亮点
NEMF在高保真合成数据集上进行了验证，实验结果表明，NEMF能够以高精度重建材料参数。与现有方法相比，NEMF能够更准确地预测材料的介电常数和电导率，从而实现更精确的物理模拟。论文展示了NEMF重建的材料参数可用于高保真电磁场仿真，验证了其在构建功能性数字孪生体方面的潜力。
🎯 应用场景
NEMF的应用场景广泛，包括：1) 无损检测：通过重建材料参数来检测物体内部的缺陷。2) 智能制造：创建功能性数字孪生体，用于优化生产流程和产品设计。3) 自动驾驶：重建道路和交通设施的材料参数，提高感知系统的准确性。4) 建筑设计：模拟建筑物内部的电磁环境，优化无线通信系统的性能。
📄 摘要（原文）
Creating functional Digital Twins, simulatable 3D replicas of the real world, is a central challenge in computer vision. Current methods like NeRF produce visually rich but functionally incomplete twins. The key barrier is the lack of underlying material properties (e.g., permittivity, conductivity). Acquiring this information for every point in a scene via non-contact, non-invasive sensing is a primary goal, but it demands solving a notoriously ill-posed physical inversion problem. Standard remote signals, like images and radio frequencies (RF), deeply entangle the unknown geometry, ambient field, and target materials. We introduce NEMF, a novel framework for dense, non-invasive physical inversion designed to build functional digital twins. Our key insight is a systematic disentanglement strategy. NEMF leverages high-fidelity geometry from images as a powerful anchor, which first enables the resolution of the ambient field. By constraining both geometry and field using only non-invasive data, the original ill-posed problem transforms into a well-posed, physics-supervised learning task. This transformation unlocks our core inversion module: a decoder. Guided by ambient RF signals and a differentiable layer incorporating physical reflection models, it learns to explicitly output a continuous, spatially-varying field of the scene's underlying material parameters. We validate our framework on high-fidelity synthetic datasets. Experiments show our non-invasive inversion reconstructs these material maps with high accuracy, and the resulting functional twin enables high-fidelity physical simulation. This advance moves beyond passive visual replicas, enabling the creation of truly functional and simulatable models of the physical world.