热红外成像因可夜间、雾霾等光照不足或能见度较差条件下工作，被广泛应用于交通安全、应急救援、安防巡检和无障碍出行等领域；随着智能驾驶、城市治理等对“全天候、全时段”感知需求不断增长，如何对热红外图像中的道路参与者、障碍物及关键设施进行高精度分割，成为提升系统可靠性的关键环节。 问题在于，热红外图像的“看得见”并不等同于“看得准”。在实际场景中，热辐射信号从目标到传感器的传输与成像，受到大气吸收散射、传感器响应特性、物体间热交换以及材料发射率差异等多因素共同影响。受此制约，热红外图像常出现对比度下降、边界模糊、动态场景响应滞后等现象，造成目标轮廓不清、类别易混淆，尤其对温度接近但材质不同的目标，分割难度显著增加。 原因在于，热红外成像并非单一噪声扰动，而是由多物理过程耦合决定：其一，大气传输会对热辐射产生衰减，远距离目标信息更易丢失；其二，传感器存在热惯性，导致时间响应滞后，动态场景难以准确复现真实辐射强度；其三，物体间热交换会引发边界弥散，叠加材料发射率差异，使得“热特性相似”的物体更难区分；其四，现有热红外数据集规模与类别覆盖相对有限，模型在跨场景迁移时容易出现泛化不足。若仅依赖传统纯数据驱动方法，往往难以对环境变化形成自适应调节，进而影响分割精度与鲁棒性。 影响体现在两上：一方面，分割误差会直接传导至下游决策与控制环节，夜间行车、低能见度通行等高风险场景对误检漏检容忍度极低；另一方面，缺乏可解释性会增加系统验证与安全合规成本，工程化部署中不利于定位故障来源、开展可靠性评估。推动热红外解析从“可用”向“可信、可控”跃升，亟需把成像机理纳入模型体系之中。 对策上，北航白相志、孟偲团队围绕“机理约束+数据学习”的路径开展研究。团队首先基于热辐射成像理论与传感器工作原理，建立热红外成像的数学解析模型，并从算子理论角度论证了通过神经网络逼近逆过程具备稳定重构的理论支撑。在此基础上，研究将热红外成像全链条拆解为多个关键物理环节，面向不同失真来源设计模块化结构：针对大气传输造成的衰减，引入自适应补偿机制以增强远距离目标特征；针对传感器热惯性带来的时间滞后，以能量守恒思想修正响应偏差；针对热交换导致的边界弥散，提取物理边界先验强化模糊轮廓表达；针对材料辐射特性差异，建立可区分材质差别的表征机制，提升温度相近目标的区分能力。涉及的模块在编码与解码阶段协同作用，以抑制成像过程引入的物理失真，获得更高精度的语义分割结果。 前景上，该研究在多类别分割任务中取得明显提升，并在夜间智能驾驶感知、视障辅助导航等应用场景开展验证，显示出从实验室走向真实世界的可行性。更重要的是，模块权重与大气传输因子、热惯性变量等物理量呈现一致性，为算法提供了可解释线索。业内人士认为，随着热红外传感器应用范围扩大、数据资源持续丰富，机理引导方法有望与多传感融合、端侧部署和实时推理更结合，服务于交通安全、应急救援、城市基础设施巡检等领域的高可靠感知需求。
TherNet技术的发展展现了我国基础研究与应用创新的协同效应；在全球智能感知技术竞争日益激烈的背景下，此类原创成果不仅填补了技术空白，更启示我们：攻克关键技术难题的关键在于对基础物理规律的深刻理解和创新应用。这种科研模式有望催生更多具有自主知识产权的中国方案。