这篇研究提出一种基于红外热成像技术的热脆弱性检测方法，可以用于预测元器件的长期操作故障，同时也为全功能微波光子系统的可靠性测试提供了有效手段。

May, 2020

通过对广泛可用的遥感数据进行多源融合和深度学习建模，可以较快地并且准确地评估建筑的能源效率，本研究通过对英国近40,000座建筑的数据分析和建模，证明了通过街景、航拍图像、建筑平面和卫星表面温度等信息，深度学习建模的方法可以取得令人满意的预测结果，并为未来的进一步工作提供了可能性。

Jun, 2022

该研究探讨了一种基于温度恒定的红外传感器光度校正模型，将其整合至SfM框架中用于3D重建，实验结果表明光度校正有助于提高相机运动和场景结构的估计，同时与使用RGB传感器相比重建质量表现相当。

Apr, 2023

该论文描述了一个非接触式的技术——红外热成像技术来收集数据和分析建筑环境，并介绍了一个位于新加坡的屋顶红外热成像观测站，可以以高时空分辨率监测区域内动态过程，并收集来自热带区域的遥感数据，数据包含在10个月内从两个位置平均每10秒钟拍摄的1,365,921张热像。

May, 2023

使用深度学习方法基于热像图的分割框架，自动识别与剪裁导致能量损耗的热量损失源，并消除图像中的障碍物，从而减少人力繁重的任务，并提供自动化、一致且可靠的解决方案，以准确衡量苏格兰住宅中的能量损失。

Aug, 2023

一个新的计算方法用于改善开放式工作场所立面上室内光亮度值的映射，通过从不同的室内位置、视角和年份的180度鱼眼渲染图创建2D图像转化为3D半球体，过滤高亮度值并将其投影到立面表面，从而突显出对内部环境光线穿透过多的位置，通过计算多个设计参数和综合结果进行局部立面优化和日光设计。

Nov, 2023

提供了一种无需标签的方法，用于检测建筑外围热成像检查过程中的异常，基于人工智能驱动的从彩色图像预测热分布，可以作为具有高度不匹配的热图区域的单类分类器方法。

Feb, 2024

我们提出了一种新的方法，通过结合MLS点云和预定义的3D模型库，使用BoW概念并增加半全局特征，来重建三维外立面细节。我们在带有随机噪声的模型和TUM-FAÇADE数据集上进行了实验，结果表明我们的方法能够改善传统的BoW方法，具有用于更真实的外立面重建的潜力，而无需矩形假设，可用于应用如测试自动驾驶功能或估计立面的太阳能潜力。

Feb, 2024

我们提出了一种基于神经辐射场的新型多模态方法ThermoNeRF，能够联合渲染场景的新的RGB和热像视图，并通过使用配对的RGB和热像图像来学习场景密度，而独立的网络用于估计颜色和温度信息。此外，我们还引入了一个新的数据集ThermoScenes来弥补可用的RGB+热像数据集的不足，实验证实ThermoNeRF能够实现准确的热像合成，平均绝对误差为1.5℃，相比于使用拼接的RGB+热像数据的Nerfacto方法，提高了50%以上。

Mar, 2024

本文解决了热红外成像在复杂场景重建中的细节模糊和边缘不清的问题，通过提出一种物理驱动的3D高斯点云表示方法——Thermal3D-GS，该方法利用神经网络建模大气传输效应和热传导，并结合温度一致性约束。此外，本文创建了第一个大规模热红外新视角合成数据集TI-NSD，实验证明Thermal3D-GS在PSNR上提高了3.03 dB，有效改善了合成图像的质量。

Sep, 2024