PhysFire-WM: A Physics-Informed World Model for Emulating Fire Spread Dynamics

📄 arXiv: 2512.17152v1 📥 PDF

作者: Nan Zhou, Huandong Wang, Jiahao Li, Yang Li, Xiao-Ping Zhang, Yong Li, Xinlei Chen

分类: cs.CV

发布日期: 2025-12-19

💡 一句话要点

提出PhysFire-WM，利用物理信息世界模型模拟火灾蔓延动态，提升预测精度。

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 火灾预测 世界模型 物理信息 跨任务学习 多模态数据 燃烧动力学 应急响应

📋 核心要点

  1. 现有火灾预测方法主要依赖二元掩码建模，忽略了火灾动态的复杂性，导致预测精度受限。
  2. PhysFire-WM通过引入物理模拟器的先验知识，并结合跨任务协同训练，提升了火灾蔓延预测的物理真实性和几何精度。
  3. 实验表明，PhysFire-WM在火灾蔓延预测方面表现出更高的准确性，验证了物理先验和跨任务协作的有效性。

📝 摘要（中文）

本文提出了一种物理信息世界模型PhysFire-WM，用于模拟火灾蔓延动态，旨在提高精细化火灾预测的准确性。现有方法主要局限于二元掩码建模，存在信号稀疏性问题，难以捕捉复杂的火灾动态。PhysFire-WM通过编码物理模拟器的结构化先验来纠正物理不一致性，从而内化燃烧动力学。此外，采用跨任务协同训练策略（CC-Train）缓解了基于掩码建模的信息有限问题。CC-Train通过参数共享和梯度协调，有效整合了热辐射动力学和空间边界划分，增强了物理真实性和几何精度。在细粒度多模态火灾数据集上的大量实验表明，PhysFire-WM在火灾蔓延预测方面具有卓越的准确性。验证结果强调了物理先验和跨任务协作的重要性，为将物理信息世界模型应用于灾害预测提供了新的见解。

🔬 方法详解

问题定义：现有火灾预测方法，尤其是基于二元掩码建模的方法，存在信号稀疏性问题，无法充分捕捉火灾蔓延的复杂动态过程，导致预测精度不足。此外，现有的世界模型在火灾预测中存在物理不一致性，限制了其应用。

核心思路：PhysFire-WM的核心思路是将物理模拟器的先验知识融入到世界模型中，从而约束模型的学习过程，使其更符合真实的火灾蔓延规律。通过跨任务协同训练，整合热辐射动力学和空间边界划分，提升模型的物理真实性和几何精度。

技术框架：PhysFire-WM的整体框架包含以下几个主要模块：1) 物理模拟器：提供火灾蔓延的物理先验知识。2) 世界模型：学习火灾蔓延的动态过程。3) 跨任务协同训练模块（CC-Train）：整合热辐射动力学和空间边界划分信息。该框架通过物理模拟器提供结构化先验，世界模型学习动态变化，CC-Train负责信息整合和优化。

关键创新：PhysFire-WM的关键创新在于：1) 将物理模拟器的先验知识融入到世界模型中，解决了世界模型在火灾预测中存在的物理不一致性问题。2) 提出了跨任务协同训练策略（CC-Train），有效整合了热辐射动力学和空间边界划分信息，提升了模型的物理真实性和几何精度。

关键设计：CC-Train策略是关键设计之一，它通过参数共享和梯度协调，将热辐射动力学和空间边界划分两个任务进行协同训练。具体的损失函数设计未知，但可以推测包含用于约束物理一致性的损失项，以及用于提升几何精度的损失项。网络结构细节未知，但推测使用了卷积神经网络或Transformer等结构来提取图像特征并进行动态建模。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

PhysFire-WM在细粒度多模态火灾数据集上进行了实验，结果表明其在火灾蔓延预测方面具有卓越的准确性。具体的性能数据和对比基线未知，但论文强调了物理先验和跨任务协作的重要性，验证了PhysFire-WM的有效性。实验结果表明，该模型能够更准确地预测火灾蔓延趋势，为火灾应急响应提供更有力的支持。

🎯 应用场景

PhysFire-WM可应用于火灾应急响应、消防安全评估和城市规划等领域。通过精确预测火灾蔓延趋势，可以帮助消防人员制定更有效的灭火策略，减少人员伤亡和财产损失。此外，该模型还可以用于评估建筑物的防火性能，优化城市消防设施的布局，提高城市整体的消防安全水平。

📄 摘要（原文）

Fine-grained fire prediction plays a crucial role in emergency response. Infrared images and fire masks provide complementary thermal and boundary information, yet current methods are predominantly limited to binary mask modeling with inherent signal sparsity, failing to capture the complex dynamics of fire. While world models show promise in video generation, their physical inconsistencies pose significant challenges for fire forecasting. This paper introduces PhysFire-WM, a Physics-informed World Model for emulating Fire spread dynamics. Our approach internalizes combustion dynamics by encoding structured priors from a Physical Simulator to rectify physical discrepancies, coupled with a Cross-task Collaborative Training strategy (CC-Train) that alleviates the issue of limited information in mask-based modeling. Through parameter sharing and gradient coordination, CC-Train effectively integrates thermal radiation dynamics and spatial boundary delineation, enhancing both physical realism and geometric accuracy. Extensive experiments on a fine-grained multimodal fire dataset demonstrate the superior accuracy of PhysFire-WM in fire spread prediction. Validation underscores the importance of physical priors and cross-task collaboration, providing new insights for applying physics-informed world models to disaster prediction.